电动出租车规模化运行的可行性分析

电动出租车规模化运行的可行性分析

0不同模式下的日负荷预测在电动汽车良好的发展趋势下，如何定量评估电动汽车充电站对电网的影响已成为许多专家和科学家的中心。充电负荷的估算及预测是电动汽车有序充电控制和能量管理等研究的基础。目前已见报道的成果有:以电动公交车为研究对象,考虑影响负荷变化的各类相关因素,运用模糊聚类和反向传播(BP)神经网络的方法对充电站的日负荷曲线进行预测;以确定纯电动公交车充电站配电容量需求为目标,根据公交客车的运行机制和充电功率曲线特性建立电动公交充电站容量需求的数学模型;以电动乘用车为研究对象,分析电动汽车充电负荷各自的相关因素,建立电动汽车充电负荷的统计模型并得到电动汽车充电负荷曲线。以上电动乘用车充电负荷计算方法,多数认为电动车替代燃油车的使用不会影响用户出行特征,因而利用用户出行特征统计数据进行研究;研究对象主要是电动公交车和家用电动乘用车,对于出租车充电负荷的研究较少。本文从出租车的运行模式和行驶特性出发,对比出租车与私家车的充电特征差异,进一步建立出租车日充电负荷的分段概率估算模型,并采用蒙特卡洛仿真方法求得出租车充电站的日负荷曲线。根据深圳市出租车的充电运营数据,验证该建模及求解方法的可行性。1充电开始时段分布电动汽车用户行为是影响电动汽车充电负荷的重要因素,其主要表现在充电开始时刻和行驶里程两方面。其中行驶里程反映了电动汽车用户当日的耗电量,在一定充电功率下,行驶里程与充电持续时间正相关。电动汽车用户充电开始时刻越集中、行驶里程越长,充电负荷越大。不同用途的车辆在行驶线路、行驶里程、行驶时间上有所不同。电动公交车运行具有定时、定点、定线的特点,行驶线路和行驶里程固定,一次充电可满足电动公交车的行驶需求,车辆运行及回站充电具有一定的相对稳定性和规律性,可用电力系统负荷预测方法进行负荷估算。私家车主要满足人们的日常出行需要,行驶线路和行驶里程一般能预先估计,一日一次充电一般即能满足出行需要,且夜间基本停运,在夜间可进行常规慢速充电,充电开始时刻和日行驶里程具有随机性,可用统计学建模方法得到其日充电负荷。出租车的运行线路和区域具有很大的随机性,一次充电续驶里程难以满足当日运行要求,且出租车停运时间短,一般采用快速充电方式,其充电开始时刻和日行驶里程具有随机性,可采用统计学建模方法估算其日充电负荷,但出租车具有多次充电的特点,其负荷估算方法与私家车有所不同。假设私家车在最后一次出行结束后开始充电,图1和图2分别为私家车和深圳市出租车的充电开始时刻分布规律。图中的深圳市出租车运营数据来源于课题研究。对比图1和图2可知,私家车充电开始时刻主要分布在16:00-22:00。出租车行驶里程长,受换班、用餐和夜间运行等因素影响,平均一日需多次充电。深圳市电动出租车统计数据显示,充电开始时刻呈分段概率分布的特点。出租车充电开始时刻与每次充电前的行驶里程对应,其对应的行驶里程也具有分段分布的特点。因此采用统计学建模方法,根据充电开始时刻和行驶里程的分段概率分布,建立出租车日充电负荷的分段概率模型,分段解耦处理后采用蒙特卡洛方法求解其日充电负荷。2出租车负荷分段的概率模型2.1电动出租车充电开始正态分布深圳出租车一日的充电时间规律如图3所示。根据换班前充满电、用餐时充电和夜间运行前充电这3个因素,将一日24h分为A,B,C,D四段,表示一日中出租车充电次数为多次。对深圳市193辆电动出租车7月某日各段充电开始时刻和行驶里程进行统计分析,采用JarqueBera正态分布检验方法,结果如表1和表2所示。输出结果h的含义为:假设检验样本x服从正态分布,当输出h=1时,表示拒绝接受原假设;输出h=0时,表示接受原假设。返回的检验p值是指,当p值小于给定的显著性水平(一般取0.05)时,拒绝原假设。结果表明电动出租车充电开始时刻服从正态分布,如图4和图5所示。深圳市出租车在A,B,C,D段分别进行充电,每次充电对应的行驶里程与上次充电的时间间隔、是否需要充电交班等因素有关,造成不同时段的行驶里程存在差异。根据统计数据及拟合结果,A和B段时间间隔长,出租车的行驶里程呈正态分布,如图6和图7所示。C和D段时间间隔短,行驶里程也相应较短,并集中在70～120km之间,其分布特点呈现频数分布高峰向左偏移,长尾向右侧延伸,为正偏态分布,可用对数正态分布表示正偏态分布,如图8和图9所示。2.2行驶公里的描述根据上节分析可知,电动出租车充电开始时刻服从分段正态分布,每段的概率密度函数为:式中:μs为每段分布中充电开始时刻的均值;σs为每段分布中充电开始时刻的标准差,代表充电开始时刻分布的离散程度。A和B段时间间隔长,出租车的行驶里程呈正态分布,由图7可以发现,深圳市出租车行驶里程的实际分布在50～200km时符合正态分布,故A和B段行驶里程可用正态分布描述,概率密度为:式中:μr为每段分布中行驶里程的均值;σr为每段分布中行驶里程的标准差,代表行驶里程分布的离散程度。C和D段间隔时间短,行驶里程也相应较短,呈对数正态分布的特点。由图9可以发现,深圳市出租车行驶里程的实际分布在30～200km时符合对数正态分布,故C和D段行驶里程可用对数正态分布描述。其概率密度为:2.3出租车在充电开始和充电时长的概率分布电动汽车锂电池采用恒流-恒压两阶段充电方法。恒流段充电功率几乎不变,恒压段时间相对于恒流段时间较短,可以认为充电功率为恒功率Pc。电动汽车充电时长可等效为:式中:Tc为充电时长;R为当次充电前行驶里程;W为百公里耗电量。根据式(1)与行驶里程分布,可求出出租车充电时长分布。若行驶里程服从正态分布,则其线性组合也服从正态分布,即充电时长也服从正态分布;若行驶里程服从对数正态分布,充电时长也符合对数正态分布,分布参数的均值由μr增大为ln(W/(100Pc))+μr。假设出租车充电开始时刻和充电时长这两个变量相互独立,在时间序列上进行分析,某一时刻出租车是否处于充电状态取决于当前时刻出租车是否已经开始充电和充电时长。图10所示为出租车在某一时刻t0已充电结束或未开始充电的情况,其中ts为充电开始时刻,tc为充电时长。根据出租车的充电开始时刻和充电时长的联合概率分布建立日充电负荷的分段概率模型。电动汽车在一日中某时刻t0的功率需求为的概率分布为:式中:为离散型随机变量,为1表示车辆正在充电,为0表示已经充好电或未开始充电;为充电开始时刻和充电时长的联合概率分布函数,,其中FS和分别为充电开始时刻和充电时长的概率分布函数。联立式(1)—式(7),得到一日中各时刻单台电动出租车日充电负荷的分段概率模型。3出租车充电开始的soc分析由于上述分段概率模型无解析解,因此采用蒙特卡洛方法求解。蒙特卡洛方法是一种基于概率和统计理论的模拟方法,使用随机数来解决计算问题,适用于具有随机性特点的出租车日充电负荷计算。基于概率论中的大数定律,运用蒙特卡洛模拟法,根据分布函数产生随机数,通过计算机模拟求出一日中各时刻单台出租车的充电功率的均值。假设一日中每个时间段有Ni辆车需要充电,由中心极限定理可知,某一时刻出租车的充电需求为Niμc,其中μc为一日中各时刻单台出租车的充电功率均值。在求解日充电负荷的分段概率模型时,由于出租车每日充电多次,因此采用分段解耦处理,即分次模拟、多段叠加的方法,求得每日各时刻出租车充电功率的均值。多段叠加时需考虑充电持续时间对分段点的影响,因此,分次模拟时每段的模拟时间应相应延长。出租车采用快速充电,充电倍率为0.5C(C为电池容量),即充电起始荷电状态(SOC)为零,至充满时充电时长为2h。图11为深圳市出租车充电起始SOC分布规律的统计结果。由图可知,起始SOC分布主要在30%～70%,其对应的充电时长为84min下降至24min,因此,模拟时在分段点模拟时间分别延长2,1,0.5h进行对比,出租车的充电功率如图12所示。根据图12可知,在A和D段尾部分段点附近,不同延长时间下充电功率变化很小,这是由于充电开始时刻的概率值极小,对负荷影响不大;在B和C段尾部分段点附近,不同延长时间下,其分段点附近估算负荷与实际负荷误差如表1所示。在B段,负荷较高,分段点延长1h误差较低;在C段,负荷较低,分段点延长0.5h误差较低。因此,在分段点可采用组合延长时间的方法进行模拟,在A和B段,分段点模拟时间延长1h,在C段分段点模拟时间延长0.5h,各阶段分段点误差如表3所示,组合延长时间的方法误差更低。4日充电负荷测算2011年深圳市为出租车提供充电服务的充电站有14座,共70台充电机,充电模式为整车快速充电,充电持续时间为几十分钟到2h不等。根据出租车的充电记录,可以得出Pc=32kW,W=28kW·h。以15min为周期,将一日(24h)划分为96个时间段。根据图2中的充电开始时刻分布直方图,以充电时间最小概率点为分界点,将充电开始时刻分为4段,分别为00:00-09:00(阶段1),09:00—14:00(阶段2),14:00—19:00(阶段3),19:00—24:00(阶段4)。对统计数据进行处理和拟合,充电开始时刻和行驶里程拟合结果分别见图13和图14。其中充电开始时刻为正态分布,行驶里程在阶段1和2为正态分布,阶段3和4为对数正态分布。根据第2节和第3节的建模和估算方法,可建立深圳市出租车日充电负荷估算的分段概率模型并得到日负荷曲线。根据深圳市充电数据记录,可得到充电日负荷的实际值,将实际值与估算值进行比较,如图15所示。由图可知,本文的建模估算方法是一种适用于快速式出租车充电站的方法。5出租车充电负荷电动出租车负荷与出租车的行驶特性相关,与私家车不同,具有一日多次充电的特点,根据充电开始时刻和行驶