基于動態(tài)能耗模型與用戶心理的電動汽車充電負(fù)荷預(yù)測

張美霞，吳子敬，楊秀

（上海電力大學(xué)電氣工程學(xué)院,上海市楊浦區(qū) 200090）

0 引言

由于電動汽車具有低碳、環(huán)保的優(yōu)勢，汽車產(chǎn)業(yè)發(fā)展轉(zhuǎn)型是實(shí)現(xiàn)“碳達(dá)峰、碳中和”目標(biāo)的重要途徑，推動新能源汽車產(chǎn)業(yè)的發(fā)展是應(yīng)對氣候變化、推動綠色發(fā)展的戰(zhàn)略舉措。大規(guī)模電動汽車接入會影響配電網(wǎng)可靠性，精細(xì)的電動汽車充電負(fù)荷模型能夠保證可靠性評估的準(zhǔn)確性[1]；電動汽車作為一種特殊的可轉(zhuǎn)移負(fù)荷及儲能裝置是連接路網(wǎng)交通與城市配網(wǎng)的載體，其本身的可移動性和空間轉(zhuǎn)移的隨機(jī)性受到用戶出行特征與客觀城市道路結(jié)構(gòu)的雙重影響[2]；因此，建立精細(xì)化的電動汽車充電負(fù)荷預(yù)測模型分析充電負(fù)荷的時(shí)空分布特性是研究電動汽車充電負(fù)荷對配電網(wǎng)影響的關(guān)鍵[3-4]。

針對電動汽車充電負(fù)荷預(yù)測，文獻(xiàn)[5]提出一種基于動態(tài)交通系統(tǒng)的電動汽車最優(yōu)路徑模型，確定每輛電動汽車在使用源點(diǎn)-終點(diǎn)（origindestination,OD）分析法時(shí)的最佳路徑規(guī)劃，探討了電動汽車動態(tài)通勤下的充電需求；文獻(xiàn)[6]分析充電區(qū)域的差異性，利用馬爾科夫決策對用戶出行模擬，獲取電動汽車充電負(fù)荷時(shí)空分布；文獻(xiàn)[7]引入天氣和溫度等外界客觀因素對電動汽車出行特征與出行能耗的影響，證明了氣溫對電動汽車出行需求有顯著的影響效果。然而，在溫度的處理上僅考慮單一溫度條件下的充電負(fù)荷變化，在實(shí)際中溫度是一個(gè)隨時(shí)間變化量，若能在計(jì)及溫度對充電負(fù)荷影響需要根據(jù)時(shí)間的變化精確分析溫度對電動汽車充電負(fù)荷的影響會更符合實(shí)際情況；文獻(xiàn)[8]和文獻(xiàn)[9]綜合考慮天氣溫度、路網(wǎng)交通以及充電設(shè)施之間的耦合關(guān)系，基于出行鏈與Dijkstra算法對用戶出行過程進(jìn)行規(guī)劃，采用蒙特卡洛法對城市各功能區(qū)內(nèi)電動汽車充電負(fù)荷時(shí)空分布進(jìn)行仿真；文獻(xiàn)[10]與文獻(xiàn)[11]分析了用戶充電差異性對電動汽車充電決策的影響，運(yùn)用模糊推理法分析分時(shí)電價(jià)對用戶充電行為的影響，確立了用戶充電行為對充電負(fù)荷預(yù)測的影響。

基于現(xiàn)有的研究現(xiàn)狀分析，電動汽車充電負(fù)荷預(yù)測存在以下3個(gè)方面的不足：

1）在預(yù)測模型上習(xí)慣將電池容量認(rèn)定為一個(gè)固定參數(shù)忽略了EV能耗隨環(huán)境的變化問題，給充電負(fù)荷預(yù)測結(jié)果帶來了誤差；

2）在用戶主觀意愿方面，缺少精細(xì)化的研究，用戶在實(shí)際出行過程中受到實(shí)時(shí)路況與用戶心理共同作用的影響，路徑選擇不會完全按照既定的最短路線出行。因此，電動汽車出行的路徑選擇不宜局限于最短路徑算法，需要對用戶出行的路徑?jīng)Q策做進(jìn)一步細(xì)化分析；

3）針對用戶主觀充電意愿，弱化了用戶心理的影響，未從用戶的經(jīng)濟(jì)水平、消費(fèi)能力等角度屬性考慮，缺少定量分析。

根據(jù)上述問題，提出一種基于動態(tài)能耗模型與用戶心理的電動汽車充電負(fù)荷預(yù)測模型。首先對家用電動汽車和出租車的出行特征進(jìn)行分析，通過蒙特卡洛法模擬不同類型電動汽車的出行過程。根據(jù)交通擁堵指數(shù)引入懲戒系數(shù)，建立基于最優(yōu)策略的馬爾可夫動態(tài)路徑?jīng)Q策模型，使用戶路徑選擇不局限于單一最短路徑；在不同溫度和路況下電動汽車能耗建立出行里程能耗模型，計(jì)算不同情景的實(shí)時(shí)單位里程動態(tài)能耗。引入錨定效應(yīng)對用戶心理進(jìn)行分析，建立基于錨定效應(yīng)的用戶充電決策模型；最后，通過城市路網(wǎng)對所建模型進(jìn)行驗(yàn)證，預(yù)測電動汽車充電需求的時(shí)空分布特點(diǎn)。

1 電動汽車出行時(shí)空特征

1.1 電動汽車出行模型

電動汽車出行以及充電行為的隨機(jī)性為對充電負(fù)荷的時(shí)空特性有不確定的影響，同時(shí)車輛行駛路徑也具有動態(tài)不確定性，使得上述變量之間的影響更加復(fù)雜。但是，電動汽車出行流量具有一定的規(guī)律性和周期性，通過考慮城市屬性和不同時(shí)空場景下的出行需求，提高與車輛出行相關(guān)變量的概率分布函數(shù)在時(shí)間和空間上的相關(guān)性[12]。根據(jù)城市不同區(qū)域的功能特性以及地理信息，將城市劃分為居民區(qū)（H）、工作區(qū)(W)、商業(yè)區(qū)(C)以及其他區(qū)域(O)。

家用電動汽車出行起始位置較為固定且出行具有明確的目的性，將不同的出行目的按照時(shí)間順序進(jìn)行連接就構(gòu)成了私家車的出行鏈[13]。基于出行鏈理論對用戶的日常出行規(guī)律進(jìn)行建模，按照出行時(shí)停車節(jié)點(diǎn)數(shù)量將出行鏈模式分為簡單鏈和復(fù)雜鏈，出行鏈中每個(gè)節(jié)點(diǎn)均包含有開始行駛時(shí)刻、停車時(shí)長以及停止行駛時(shí)刻等出行特征值，兩節(jié)點(diǎn)之間包含有用戶在行駛過程中的行駛里程以及行駛時(shí)間等信息。通過對NHTS2017數(shù)據(jù)庫中出行數(shù)據(jù)進(jìn)行概率分布擬合分析，從中選擇擬合效果最好的一種概率函數(shù)代表該特征量的變化規(guī)律[14]，特征量的概率分布與參數(shù)擬合結(jié)果如表1所示。

根據(jù)GAIA計(jì)劃中提供的脫敏出行數(shù)據(jù)為基礎(chǔ)，分析電動汽車出行特征。由于網(wǎng)約車目的在于為城市中的居民提供便捷的出行服務(wù)，出行目的地以及出行訂單數(shù)由乘客的出行需求決定，選擇中國成都市區(qū)三環(huán)內(nèi)的訂單數(shù)據(jù)分析出租車在一天內(nèi)的訂單數(shù)量需求以及時(shí)間分布情況，如附錄圖A1所示。

電動汽車出行空間位置分布進(jìn)行數(shù)據(jù)挖掘，篩選出電動汽車出行訂單數(shù)據(jù)的起點(diǎn)位置以及終點(diǎn)位置，運(yùn)用OD分析法獲取電動汽車的出行起始點(diǎn)分布以及概率轉(zhuǎn)移矩陣?；趫D論法將現(xiàn)實(shí)中的道路抽象為路網(wǎng)拓?fù)鋱D，采用OD分析法確定出租車出行的起訖點(diǎn)分布，通過實(shí)際訂單行程中接送地點(diǎn)和匹配時(shí)間段獲取用戶出行OD概率轉(zhuǎn)移矩陣[15]。根據(jù)不同時(shí)間段下的交通路況獲取相應(yīng)的電動汽車路段速度，計(jì)算電動汽車行駛路徑所需時(shí)間，將道路鄰接矩陣中的道路權(quán)值替換為行駛時(shí)間，如式(2)所示：

式中：P(G)為路網(wǎng)中的交通節(jié)點(diǎn)集合，節(jié)點(diǎn)數(shù)量為k；E(G)為路網(wǎng)中任意兩節(jié)點(diǎn)pi，pj構(gòu)成的行駛道路集合；ΨG為道路行駛時(shí)間鄰接矩陣，表述各個(gè)節(jié)點(diǎn)與路段行駛時(shí)長tij之間的對應(yīng)關(guān)系。

1.2 基于最優(yōu)策略的馬爾可夫動態(tài)路徑?jīng)Q策模型

馬爾可夫決策模型主要包括5個(gè)關(guān)鍵要素：決策時(shí)刻集Γ、狀態(tài)集S、行動集A、狀態(tài)轉(zhuǎn)移概率p以及收益目標(biāo)函數(shù)R。在某一決策時(shí)刻t(t∈Γ）下，決策者在狀態(tài)i(i∈Γ）采取行動a(a∈A(i))，決策者選擇行動a可獲得收益為R(i,a)；在下一個(gè)決策時(shí)刻t+1(t+1∈Γ），系統(tǒng)的狀態(tài)由概率分布為p(j∣i,a)決定；將這五重組{Γ，S，A(i)，p(j∣i,a)，R(i,a)}記作一個(gè)馬氏決策過程，其中轉(zhuǎn)移概率與收益僅取決于當(dāng)前的狀態(tài)與決策者采取的行動，與過去的歷史無關(guān)[16]。

針對離散時(shí)間決策時(shí)刻有限階段的馬氏決策問題，選取決策時(shí)刻集Γ={0,1,…, N-1}，0＜N＜∞，在最后一個(gè)決策階段N時(shí)不需要進(jìn)行決策行為，在進(jìn)行決策時(shí)采取的決策規(guī)則序列記為策略π，所有策略的集合稱為策略集，記作Π，決策者在每一時(shí)刻進(jìn)行決策時(shí)會獲取一系列收益，將收益進(jìn)行累加記為決策模型的效用函數(shù)VN，如式(3)所示：

式中：S(t)，A(t)為決策時(shí)刻t時(shí)的狀態(tài)與行動；R(S(t)，A(t))為t時(shí)刻獲取的收益；R(S(N)，A(N))是過程的終止收益。雖然決策過程已經(jīng)結(jié)束，決策者不需要再進(jìn)行決策行為，但是仍可以獲得系統(tǒng)剩余價(jià)值。

如果從策略集Π中選取一個(gè)策略π能使得效用函數(shù)VN為最優(yōu)函數(shù)，則選取策略π為最優(yōu)策略解。基于Bellman最優(yōu)化原理可知，在任意狀態(tài)下從最優(yōu)行動集中選取任意行動，對于下一個(gè)決策時(shí)刻而言剩余的決策規(guī)則序列組成的策略集仍為最優(yōu)策略，因此可以通過收益向后遞歸的方式得到?jīng)Q策模型的效用函數(shù)VN，其遞歸函數(shù)：

式中：j為下一個(gè)決策時(shí)刻t+1時(shí)的狀態(tài)。

用戶在道路選擇上優(yōu)先選取道路暢通的路段，對于交通擁堵指數(shù)值越高的路段，行駛速度越低，行駛時(shí)間越長，用戶選擇意愿越低。為了保證用戶在出行時(shí)可以避開擁堵路段，并考慮到實(shí)際中用戶決策時(shí)局部的信息不對稱、對路況不熟悉以及自身心理原因，會影響決策時(shí)作出“逆向選擇”，使用戶決策不局限于單一最短路徑，引入懲戒系數(shù)λ，如式：

式中：λt,k為決策時(shí)刻t道路k的懲戒系數(shù)；Itp,t為決策時(shí)刻t交通擁堵指數(shù)；Itp,max為參考路段交通擁堵指數(shù)最大值。

用戶出行時(shí)的路徑?jīng)Q策步驟如下：

1）用戶在出發(fā)之前，選定出行目的并將規(guī)劃好的最短出行路徑記為πd，最短出行路徑中各路段記為參考路段ld，路網(wǎng)節(jié)點(diǎn)中未被選取的路徑集合選為備用路徑集，記為Ak；

2）當(dāng)?shù)竭_(dá)決策狀態(tài)i，即道路節(jié)點(diǎn)i時(shí)，用戶會以參考路段ld的路段長度Ld、交通擁堵指數(shù)Itp,d以及懲戒系數(shù)λt,d為參考，消去備用路徑集中的交通擁堵指數(shù)高于Itp,d的路段；

3）將備用路徑集中的備選路段以路段長度Lk與參考路段長度Ld進(jìn)行比較，計(jì)算各路段懲戒系數(shù)對路段的狀態(tài)轉(zhuǎn)移概率的影響，各路段狀態(tài)轉(zhuǎn)移概率pt：

式中：jk=ld表示決策行動按照原計(jì)劃進(jìn)行最短路徑選擇的狀態(tài)轉(zhuǎn)移概率；jk∈A表示決策行動選擇備選路段的狀態(tài)轉(zhuǎn)移概率。

2 電動汽車動態(tài)能耗（DEC）模型

2.1 電池容量模型

電動汽車在正常行駛過程中受到道路等級、路況交通、車速以及氣溫等外界客觀因素的影響，進(jìn)而影響充電負(fù)荷需求及其日常狀況。通過耦合外界客觀信息對電動汽車出行里程能耗的影響，建立精細(xì)化的電動汽車單位里程能耗模型。同一種電池在不同溫度下的容量和充放電特性差別很大，所以采用目前主流的鋰電池的實(shí)驗(yàn)數(shù)據(jù)為例，建立了溫度與電池容量的關(guān)系[17]。

使用美國國家航空航天局(National Aeronautics and Space Administration, NASA)艾姆斯研究中心的鋰電池測試數(shù)據(jù)來分析不同溫度以及充放電循環(huán)對電池容量的影響。在磷酸鐵鋰電池的測試中以25℃時(shí)的電池容量為基準(zhǔn)分析在不同溫度下的電池相對容量百分比(relative capacity of battery,CR%)，如附錄圖A2所示。在高溫環(huán)境下，CR%略有提高，但提升幅度不明顯，在40℃時(shí)CR%為106%，當(dāng)環(huán)境溫度大于55℃時(shí)CR%上升趨勢轉(zhuǎn)為下降。在低溫環(huán)境中，CR%相對于基準(zhǔn)容量下降幅度明顯，當(dāng)溫度到達(dá)-20℃時(shí)CR%僅有43%。為了量化充電負(fù)載模擬過程中溫度對電池容量的影響，采用多項(xiàng)式函數(shù)模型擬合溫度和CR%之間的關(guān)系，如式(7)所示。

式中：T為環(huán)境溫度(℃)；η0、η1、η2、η3為函數(shù)模型擬合系數(shù)；CR為電池相對容量百分?jǐn)?shù)。

2.2 車載空調(diào)啟停能耗模型

車載空調(diào)系統(tǒng)(包括制冷和制熱)作為電動汽車主要耗能電器直接影響了電動汽車充電需求以及續(xù)航里程[18]。在不同的環(huán)境溫度和濕度等天氣條件下空調(diào)系統(tǒng)的啟停和能耗值也會有所差別，根據(jù)實(shí)驗(yàn)數(shù)據(jù)分析不同溫度T下車載空調(diào)耗能，并通過車載空調(diào)開啟時(shí)的能耗數(shù)據(jù)擬合得到空調(diào)能耗和空調(diào)使用率隨溫度變化如圖1所示。

圖1 不同溫度下車載空調(diào)能耗及使用率Fig.1 Energy consumption and usage rate of EV airconditioner under different temperatures

在文獻(xiàn)[8]的基礎(chǔ)上，對空調(diào)開啟決策模型進(jìn)行改進(jìn)，通過對車載空調(diào)使用率曲線分析建立相應(yīng)的空調(diào)開啟決策模型，根據(jù)車載空調(diào)使用率曲線進(jìn)行正態(tài)分布擬合，并設(shè)定冷閾值Tc、熱閾值Th以及舒適溫度區(qū)間，介于閾值與舒適溫度之間的分段曲線根據(jù)MATLAB中的cftool工具箱進(jìn)行正態(tài)分布擬合獲得相應(yīng)的擬合參數(shù)得到相應(yīng)的空調(diào)啟動正態(tài)分布函數(shù)，如式：

式中：Kopen(T)為溫度T下空調(diào)開啟概率；μc、δc為制熱啟動參數(shù)的均值與方差；μh、δh為制冷啟動參數(shù)的均值與方差，當(dāng)溫度低于冷閾值Tc或者大于熱閾值Th時(shí)用戶空調(diào)開啟概率為1；當(dāng)溫度在舒適溫度區(qū)間內(nèi)，開啟空調(diào)的概率為0。參數(shù)值設(shè)定如表2所示。

表2 車載空調(diào)開啟概率擬合參數(shù)Table 2 Fitted parameters of EV air condition starting-up probability

為了量化充電負(fù)荷模擬中日內(nèi)溫度變化對空調(diào)能耗的影響，可采用分段多項(xiàng)式模型擬合溫度與空調(diào)功率之間的關(guān)系，如式(9)所示。

式中：Pac為空調(diào)功率；ω0、ω1、ω2和ω3為函數(shù)擬合系數(shù)。

2.3 基于交通路況的里程能耗模型

電動汽車在正常行駛過程中單位里程能耗主要受不同道路等級以及交通路況的影響最顯著。為了消除了各路網(wǎng)絡(luò)車速與感覺不一致的問題，充分吸取了人們對不同等級道路擁堵的容忍感受，引入交通擁堵指數(shù)(transport performance index, TPI)用數(shù)值方式量化描述道路交通運(yùn)行狀態(tài)，提高道路交通運(yùn)行狀態(tài)表達(dá)精度。由于車輛以非經(jīng)濟(jì)速度行駛，交通擁堵增加了駕駛持續(xù)時(shí)間和空調(diào)服務(wù)時(shí)間，降低了駕駛效率，這些將顯著影響能源消耗和充電需求，引入行駛時(shí)長修正系數(shù)ζt調(diào)整在不同交通路況下的駕駛時(shí)長[17]。用戶在道路選擇上優(yōu)先選取道路暢通的路段，對于交通擁堵指數(shù)值越高的路段，行駛速度越低，行駛時(shí)間越長，用戶選擇意愿越低，具體如表3所示。

表3 道路交通擁堵指數(shù)等級劃分Table3 Grading of road traffic congestion index

將道路分為快速路、主干道和次干道3個(gè)等級，通過實(shí)時(shí)交通路況調(diào)查獲取整體交通路況隨時(shí)間變化情況[19]，并根據(jù)不同時(shí)間段內(nèi)的TPI選取對應(yīng)的平均速度代入交通能耗因子模型內(nèi)，如式(10)所示，不同交通擁堵程度下各等級道路行車速度的選取如表4所示。

表4 不同交通擁堵程度下各等級道路行車速度Table4 Running speeds of each level roadsunder different traffic congestion degree

式中：Ev表示電動汽車在不同等級道路中以速度v行駛時(shí)產(chǎn)生的單位里程能耗，單位為kW·h/km；v1、v2、v3分為快速路、主干道和次干道3個(gè)道路等級下的行車速度，速度取每段道路上的平均行駛速度，單位為km/h。

綜上所述，電動汽車在不同環(huán)境溫度T以及交通路況中的實(shí)際耗電量可由電池能耗模型精確計(jì)算，如式(11)所示：

式中：Eall,T為電動汽車在溫度T下的總能耗值；Kac為溫度T下的空調(diào)啟停狀態(tài)，取值為1或者0(表示車在空調(diào)開啟和關(guān)閉狀態(tài))；tk、Dk為第k段出行過程中的行駛時(shí)長和行駛里程；Eo為電動汽車初始單位里程能耗；ζt為行駛時(shí)長修正系數(shù)，其取值如表3所示，表示在電動汽車受交通擁堵路況影響，對行駛時(shí)間和速度進(jìn)行修正。

3 基于用戶心理的電動汽車充電需求模型

3.1 基于錨定效應(yīng)的用戶充電決策

錨定效應(yīng)(anchoring effect)，是指個(gè)體在不確定情境下進(jìn)行判斷時(shí)其最后估計(jì)結(jié)果向該初始值的方向接近而產(chǎn)生偏差。用戶在進(jìn)行充電決策時(shí)，分時(shí)電價(jià)會成為“錨”而影響用戶的充電決策行為，不同的錨值會對用戶的充電意愿產(chǎn)生不同影響[20]。由于用戶的充電行為受到電網(wǎng)分時(shí)電價(jià)的調(diào)控，通過提高峰值電價(jià)、降低谷值電價(jià)影響電動汽車充電負(fù)荷，達(dá)到“削峰填谷”的效果。錨定效應(yīng)通過定義“高錨”與“低錨”的概念去判斷用戶對電價(jià)的接受程度。其中“高錨”是指用戶對電價(jià)的期望值要高于實(shí)際價(jià)格，“低錨”是指用戶對電價(jià)的預(yù)期值要低于其實(shí)際價(jià)格。在充電決策過程中，不同的“錨”會對用戶的充電意愿產(chǎn)生不同的影響，與低錨相比，高錨能產(chǎn)生更高的充電意愿。消費(fèi)者剩余是愿意支付的最高電價(jià)與實(shí)際分時(shí)電價(jià)之間的差額。充電決策過程中用戶將實(shí)時(shí)電價(jià)與預(yù)期支付電價(jià)進(jìn)行比較，通過對消費(fèi)者剩余的感知進(jìn)行充電決策，如圖2所示。

圖2 用戶充電決策過程Fig.2 User's charging decision process

當(dāng)EV荷電狀態(tài)(state of charge,SOC)無法滿足下一次出行的電量需求時(shí)，用戶會根據(jù)停車時(shí)長進(jìn)行充電模式選擇，對于停車時(shí)長充裕的用戶定義為普通剛性用戶，選擇慢充方式進(jìn)行充電；對于停車時(shí)長內(nèi)慢充無法滿足下次出行需求的用戶定義為緊急剛性用戶，選擇快充方式進(jìn)行充電。當(dāng)電動汽車的SOC充裕且滿足下一次出行的電量需求時(shí)，充電決策取決于不同錨值設(shè)定時(shí)產(chǎn)生的消費(fèi)者剩余，將愿意支付的最高價(jià)格高于實(shí)時(shí)電價(jià)的用戶定義為高錨彈性用戶，根據(jù)消費(fèi)者剩余充裕度，用戶會進(jìn)行充電行為；將實(shí)時(shí)電價(jià)高于用戶電價(jià)預(yù)期值定義為低錨彈性用戶，由于消費(fèi)者無剩余，則不會進(jìn)行充電行為。出于對電池壽命的考慮，彈性用戶在家充電優(yōu)先使用慢充方式進(jìn)行充電。

3.2 充電需求計(jì)算

基于不同用戶類型、車輛類型的出行特征，在每個(gè)路段節(jié)點(diǎn)判斷電動汽車的進(jìn)行充電行為，將不同功能區(qū)內(nèi)的充電需求進(jìn)行疊加，得到電動汽車充電需求的時(shí)空分布。具體仿真計(jì)算流程如圖3所示。

圖3 充電需求計(jì)算流程Fig.3 Flowchart of calculating charging demand

1）設(shè)置溫度、交通路況相關(guān)參數(shù)以及不同類別的電動汽車車輛參數(shù)；

2）根據(jù)EV充放電循環(huán)次數(shù)以及環(huán)境溫度計(jì)算并更新電池容量；

3）基于出行鏈理論模擬家用電動汽車的出行，運(yùn)用蒙特卡洛法隨機(jī)抽取出行鏈類型、時(shí)間參數(shù)以及出行目的地；根據(jù)日訂單數(shù)量時(shí)空分布以及OD概率轉(zhuǎn)移矩陣，運(yùn)用蒙特卡洛法隨機(jī)抽取日出行次數(shù)以及出行起訖點(diǎn)；

4）通過最優(yōu)策略的MDP路徑?jīng)Q策模型確定行駛路徑；在每個(gè)出行道路節(jié)點(diǎn)，預(yù)先計(jì)算下一段出行過程產(chǎn)生的耗電量，根據(jù)電動汽車的剩余電量是否滿足下一段出行的用電需求，對用戶的充電決策進(jìn)行判斷；

在宿州市特色農(nóng)產(chǎn)品銷售管理系統(tǒng)功能模塊實(shí)現(xiàn)之前，需要優(yōu)化的系統(tǒng)架構(gòu)，可以為該系統(tǒng)未來的可持續(xù)拓展和延伸提供保障。在該銷售管理系統(tǒng)技術(shù)架構(gòu)實(shí)現(xiàn)過程中，本文以移動端App和服務(wù)器端兩個(gè)部分組成。兩個(gè)部分構(gòu)建的基礎(chǔ)數(shù)據(jù)庫都是采用的SQLserver數(shù)據(jù)庫。在移動端部分，本銷售管理系統(tǒng)基于Windows系統(tǒng)內(nèi)核，利用谷歌公司的Andorid Studio開發(fā)環(huán)境構(gòu)建移動端的框架體系。在服務(wù)器部分，基于Windows系統(tǒng)內(nèi)核，利用模型—控制理論，在JFinal體系下，基于基層通信鏈路，構(gòu)建特色農(nóng)產(chǎn)品銷售管理系統(tǒng)的服務(wù)器。

5）將各個(gè)區(qū)域的充電需求按照電動汽車數(shù)量進(jìn)行累加，得到總的電動汽車充電需求時(shí)空分布。

4 算例分析

4.1 參數(shù)設(shè)定

設(shè)定各類型電動汽車數(shù)量以及不同類型家用電動汽車和出租車的占例，如表5所示。電動汽車開始出行時(shí)刻的SOC服從正態(tài)分布N(0.8,0.12)，充電站的充電模式選擇快充和慢充兩種充電方式，根據(jù)國家推廣的電動汽車充電樁類型以及位置分布，設(shè)定不同功能區(qū)的充電模式以及充電功率，各區(qū)域充電模式與充電功率如表6所示。家用電動汽車出行鏈類型以及占比設(shè)定如表7所示，以成都三環(huán)區(qū)域內(nèi)的路網(wǎng)為參照形成電動汽車出行路網(wǎng)模型。

表5 各類型電動汽車數(shù)量及參數(shù)Table 5 Number and parametersof each typeof EV

表6 各區(qū)域充電模式與充電功率Table 6 Charging modes and charging power in each region

表7 家用電動汽車出行鏈出行活動類型及占比Table7 Travel activity typeof household EV trip chain and proportion

4.2 仿真結(jié)果

1）電動汽車充電負(fù)荷時(shí)空分布。

在不同功能區(qū)內(nèi)電動汽車充電負(fù)荷特性有一定差異性，如圖4所示。以工作日充電負(fù)荷為例，充電負(fù)荷白天主要集中在工作區(qū)，負(fù)荷占比高，充電負(fù)荷高峰發(fā)生在10:27，負(fù)荷峰值為8.91 MW；夜間則分布在住宅區(qū)，在16:00—20:00時(shí)段充電負(fù)荷較為集中，負(fù)荷峰值為4.02 MW。商業(yè)區(qū)充電負(fù)荷在工作日充電負(fù)荷整體偏小，負(fù)荷高峰時(shí)段發(fā)生在12:00—18:00，負(fù)荷峰值為0.23 MW。

圖4 各區(qū)域電動汽車充電負(fù)荷時(shí)空分布Fig.4 Spatial and temporal distribution of EV charging load in each region

比較工作日與雙休日總充電負(fù)荷曲線，如圖5所示。工作日總充電負(fù)荷從5:18開始逐漸增大，在12:21達(dá)到充電負(fù)荷高峰，峰值為10.46 MW。相比于工作日，雙休日充電負(fù)荷更加集中，負(fù)荷高峰推遲至14:16，負(fù)荷峰值為15.61 MW，負(fù)荷峰值相較于工作日增長了49.25%。由于工作日出行高峰發(fā)生在上下班時(shí)段，而在雙休日出行高峰集中在12:00—17:00，因此充電負(fù)荷增加時(shí)間段不同。用戶在雙休日出行活動更加頻繁且出行集中在出行高峰，同時(shí)在雙休日租出車訂單數(shù)量增多，日間出行量增大，充電需求整體增多。

圖5 各場景電動汽車總充電負(fù)荷時(shí)間分布Fig.5 Total charging load time distribution of EV in each scenario

2）動態(tài)能耗模型對充電負(fù)荷的影響。

圖6 基于DEC模型的電動汽車充電負(fù)荷Fig.6 EV charging load based on DEC model

結(jié)合圖6與表8可知，在夏季高溫或者冬季低溫的環(huán)境中，路況與溫度對電動汽車充電負(fù)荷影響顯著。以夏季工作日為例，夏季8:00～10:00為出行高峰時(shí)段，交通擁堵指數(shù)高，電動汽車在行駛過程中里程能耗增加，電動汽車充電需求開始激增；在夜間交通暢通時(shí)段，由交通路況引起的能耗明顯偏低。引入DEC模型后，在出行高峰期受交通路況影響產(chǎn)生的額外充電負(fù)荷占總充電負(fù)荷的28.17%。隨著時(shí)間推移，夏季溫度逐漸升高，在高溫時(shí)段10:00—15:00，由溫度引起的能耗值持續(xù)上升，最大增幅為13.09%。針對不同季節(jié)分析，由于在冬季低溫環(huán)境下車載空調(diào)的使用率高于夏季，而且在低溫環(huán)境中電池容量降低，充電次數(shù)更加頻繁，導(dǎo)致冬季充電負(fù)荷的峰值及充電需求總量高于夏季，冬季溫度引起的日充電負(fù)荷占總充電負(fù)荷的21.17%。仿真結(jié)果驗(yàn)證了DEC模型的有效性，符合實(shí)際情況。

表8 引入DEC模型的電動汽車充電負(fù)荷變化Table 8 Change of EV charging load under DEC model led in

5 結(jié)論

電動汽車充電負(fù)荷時(shí)空分布受多源客觀因素與用戶心理影響，故提出一種基于動態(tài)能耗模型與用戶心理的電動汽車充電負(fù)荷預(yù)測模型方法，并以成都三環(huán)內(nèi)的實(shí)際路網(wǎng)交通為依托對電動汽車充電負(fù)荷進(jìn)行了時(shí)空分布預(yù)測，仿真結(jié)果表明：

1）充電區(qū)域、充電偏好以及時(shí)間場景類型會影響充電負(fù)荷曲線的大小、峰值時(shí)間和曲線形狀。不同區(qū)域的電動汽車充電負(fù)荷在時(shí)間分布上存在明顯的差異性。工作日充電負(fù)荷曲線相對平緩，而雙休日充電負(fù)荷更加集中，負(fù)荷峰值相較于工作日增長了49.25%。

2）考慮道路等級、路況交通、車速以及氣溫等外界客觀因素的影響與未考慮情況下的電動汽車充電負(fù)荷曲線在特性和幅值上有很大差異。峰值負(fù)荷之差高達(dá)21.17%，且出現(xiàn)最大峰值時(shí)間會發(fā)生偏移現(xiàn)象。受溫度影響，冬季電池容量明顯縮小，冬季情況下溫度過低造成電池容量衰減對充電負(fù)荷的影響更大，車載空調(diào)開啟更加頻繁，導(dǎo)致負(fù)荷峰值持續(xù)升高且峰值持續(xù)時(shí)間增加，冬季充電負(fù)荷充電需求總量遠(yuǎn)高于夏季。

仿真結(jié)果驗(yàn)證了模型的有效性和方法的可靠性，動態(tài)能耗模型能夠準(zhǔn)確獲取在不同環(huán)境狀態(tài)下電動汽車的實(shí)際能耗，提高負(fù)荷預(yù)測結(jié)果的精度，為配電網(wǎng)的布局配置提供的合理規(guī)劃依據(jù)。

本文假設(shè)在各個(gè)路網(wǎng)節(jié)點(diǎn)均有充電且充電站的容量足夠大，因此忽略了汽車充電的排隊(duì)時(shí)間以及電動汽車在充電時(shí)充電站的選擇過程，需要將實(shí)際中充電站分布情況做進(jìn)一步分析。

（本刊附錄請見網(wǎng)絡(luò)版，印刷版略）