《电动汽车无序充电的负荷预测模型实证研究18000字（论文）》

电动汽车无序充电的负荷预测模型实证研究摘要随着全球能源的枯竭和全球环境危机严重恶化,以清洁利用电力作为主要驱动力的新型电动汽车,将作为减轻碳排放量和对化石燃料能源的依赖最佳有效解决办法,世界上许多国家和地区的政府积极努力，今后电动汽车的使用量有爆炸性地增加的可能性。但是，电动汽车的充电负荷对充电时间和充电空间的分布有不确定性，对电气系统的工作有很大的影响。因此，通过构建基于一定时间的充电负荷预测模型，以及考虑到大型电动汽车的充电、放电影响的最佳调度模型，不仅有助于电动汽车的普及，还可以减少网络连接时对配电网络的影响。本文以传统燃油汽车的行数据为基础，结合用户出行习惯和电动汽车的时刻充电概率，将电动汽车分为四类，通过蒙特卡洛预测法，得到电动汽车无序充电的负荷预测模型。为减小大规模电动汽车的随机充电行为对电网的负面影响，以及降低车主的支付费用，本文采用了负荷方差最小和车主支付费用最小为优化目标，研究了电动汽车的优化充电控制策略，用MATLAB和lingo两种软件达到研究目的。关键词：电动汽车；无序充电；负荷预测；优化调度；Lingo；目录TOC\o"1-4"\f\h\z\u第一章绪论 -28-第一章绪论1.1选题背景和研究意义1.1.1选题意义该课题来源于实践。通过与双向互动的智能用电技术结合，能够进一步提高电力系统运行的灵活性、可控性和经济性，更好地满足用户对电能质量和供电可靠性的要求。电动汽车是近年发展很快的一种负荷类型，在智能电网建设的背景下，研究含电动汽车的系统优化调度研究，是非常适时和有意义的。1.1.2选题背景随着新能源电动汽车的发展和普及,电动汽车的市场用户数量也正在呈现出一种不断上升和增长的趋势,在未来几年内,这些新能源电动汽车会广泛地与电网相互联系,电动汽车的充电行为和过程中的放电行为都会对于电网造成不可忽略的影响，这既是一个挑战，又是一个机遇。一方面是要注意电动汽车接入电网可能会给电网带来的负面影响，其中包括造成电网负荷高峰增长、电网的电能质量下降、运行控制难度加大、配网规划难适应、可靠性和经济性变差等。电动汽车接入后，对电网造成的影响主要包括以下六个方面：（1）促进电网的负荷增长，甚至有可能造成电网“峰上加峰”的现象。随着电动汽车数量的大幅度增加，且电动汽车入网充电时，其负荷具有随机性、移动性、波动性等特点，若不加充电管理，电动汽车将很有可能在电网负荷达到高峰时进行无序集中充电，其充电负荷会与原电网的负荷峰值相重合，将使电网负荷出现一个极端高峰值，也会促使电网负荷的峰谷差进一步扩大，这不仅给配电网运行造成负担，还会对电网的经济运行和安全稳定运行产生威胁。（2）影响电网的供电质量。电动汽车充电设施是非线性电力电子设备，其直接接入将对电网产生谐波污染，这将对电网的电能质量产生不利影响，造成电网的电能质量下降。如果不进行处理，将导致电压失真和功率因数下降，故而对电容器和变压器等设备的正常运行和寿命造成影响。连接到电网进行无序充电的大量电动汽车也将增加配电网络的节点电压偏移并降低配电网络的供电电压质量。当不同的电动车辆连接到不同的相线进行充电时，将导致三相供电的不平衡问题。（3）增加电网的运行调控难度。电动汽车充放电行为与车主的出行习惯密切相关，都具有很大的随机性，并且充放电的时间和空间上也具有不确定性，不利于电网负荷的准确预测，电动汽车广泛随机接入将会给电网运行与控制带来显著的不确定性，增加了电网监控与调度的难度。（4）对配电网的规划提出新要求。充电桩（机）、充电站等基础充电设施的增加，电动汽车接入其充电，使得配电网负荷组成和特性发生变化，需要对传统常规电网规划准则和方法进行相适应的调整，以适应电动汽车广泛接入配电网的情景。（5）。在未来车网互动的情景下，若允许电动汽车接入电网时不仅可以充电，还可以放电，则电动汽车可以作为具有移动性的小型分布式电源广泛分布在配电网得各个节点，使传统的无源供电模式配电网变成有源模式，原传统配电网下的各种保护机理与整定值都会产生变化；继电保护的设计和配合也将变得复杂，会对电网的供电可靠性造成影响。（6）增加电网的电力网络损耗。当电动汽车广泛接入电网充电时，特别是基本负荷高峰期电动汽车的集中充电，将造成电网的线路损耗和变压器损耗增加等不利影响。因此，分析电动汽车的出行规律、使用特性，并对电动汽车充电负荷进行数学建模，研究大规模电动汽车广泛接入电网后充放电行为对电网的影响，制定电动汽车有序充、放电的优化调控策略，评估电动汽车参与需求响应的潜力，协调优化充电站、换电站的运行，使电动汽车充、放电在电网运行中发挥积极作用，不仅将有助于改善电网负荷曲线，提高电网运行的稳定水平，有效提升电网弹性，也有利于我国智能电网、能源互联网的建设和推进。1.2国内外研究现状目前，世界各国使用的分销网络结构是基于传统的操作模式。随着电动汽车数量的增加，电力系统将不可避免地对现有的分配网络产生巨大影响。新的智能能源系统的发展指向了智能、信息和实体功能的方向，但仍不能完全解决连接电动汽车到网络的问题。目前，国内外的学者对于如何建立电动汽车充电负荷模型、优化电动汽车的充电策略、电动汽车入网充电对电网的影响，电动汽车参与电网调峰调频以及电动汽车和分布式发电协调控制等方面都展开了研究。虽然目前已经基本解决了电动汽车的分布式单向充电优化的潜在问题，但由于模型中的非凸互补约束，还存在电动汽车的双向充电优化问题。需要进一步研究分散型双向充放电算法，以寻求基于凸优化理论的现有分布式算法的收敛性和最优性。考虑配电市场的特性,基于有效的电动汽车充电诱导大家各取所需,需要进一步挖掘电动汽车及汽车集群参与电力系统调度的潜力，将电动汽车入网充电挑战转化为电网在新形势下的机遇。更好地实现电网的削峰和平谷填充效果，促进发电和输电方面的新能源消耗。电动汽车在节能减排、抑制气候变暖、保障石油供应安全等方面具有传统汽车无法比拟的优势，受到各国政府、汽车制造商和能源企业的广泛关注。不断增加的电池设备、充电技术和充电设施也促进了电动汽车的普及。研究表明，在中等发展速度下，到2020年、2030年和2050年，电动汽车占美国汽车总量的比例将分别达到35%、51%和62%[13]。中国还制定了适合国情的发展规划，推进电动汽车产业化进程，完善电动汽车与电网的融合。随着电动汽车行业的发展，接入配电网的电动汽车数量逐年增加，使得接入配电网的充电负荷变得非常大。此外，电动汽车的充电时间和充电位置具有较大的随机性，会影响配电网的稳定运行。智能配电网独特的双向通信和双向电力交换技术解决了这一问题，使电动汽车成为日常的交通工具。同时，通过V2G(vehicle-to-grid)技术将电力返回配电网。该技术的应用对提高电压水平、降低网络损耗具有重要意义。因此，如何利用V2G技术优化电动汽车充放电功率，降低电网运行成本，降低电动汽车用户充电成本，是未来电力系统需要解决的问题。1.3本文的主要内容本文针对电动汽车入网对电网的影响及其优化调度这一主题，致力于基于时刻充电概率的电动汽车充电负荷预测模型和计及大规模电动汽车充放电影响的优化充电控制等方面的研究。论文从结构安排共分为四章，各章具体研究内容概述如下：第二章分析了影响电动汽车充电负荷的因素，电动汽车的充电负荷因出行习惯的随机性而具有很强的无序性；以传统汽车的出行调查数据为基础，分析了各类出行目的下电动汽车的出行规律；将电动汽车分为四类，分别分析这四类电动汽车的出行数据，并采用蒙特卡洛模拟计算，更为贴合实际地求取了一天24小时各类电动汽车充电需求的大小以及总的充电负荷大小，分析了电动汽车无序充电给配电网的运行带来不良影响。第三章研究了计及大规模电动汽车充放电影响的优化调度，采用了两种优化策略，负荷方差最小和车主需要支付的费用最小，并给出了相应的有序充电模型和算法流程。1.4技术路线（1）合理预测电动汽车充电负荷，分析电动汽车接入电网的影响。（2）考虑电动汽车优化充电控制。（3）建立电动汽车的优化调度模型。图1-1技术路线

第二章基于充电概率的电动汽车充电负荷预测2.1引言近年来,因为严重的环境压力和全球能源危机的双重影响，各国政府正在积极努力的寻找缓解这种情况的方法。为了寻找得到更清洁、更高效的能源发展模式,探索和推广出一种更加绿色便捷的生活和出行方式,电动汽车及其充放电设备已经逐渐成为了智能电网和智能交通互联网络相互融合的一个重要关键因素，其设备的应用也成为了关键性环节。其中,电动汽车充电负荷预测技术和方法的开发在优化电网风力发电、优化供电系统调度以及促进电力市场贸易、充电站计划体系建设和使用者便捷而又经济的出行等诸多方面均十分具有价值。因此,研究新能源电动汽车的充电负荷预测技术和方法,具有十分重要的理论价值和现实意义。近年来,国内外的学者针对电动汽车充电负荷预测做了大量细致的研究[18-22]。目前为止，现有的电动汽车负荷预测分析模型主要有四类，其中包括:基于预测充电时段的蒙特卡洛模型负荷预测分析模型、基于预测充电概率的统计学模型负荷预测分析模型、考虑到不同时空变化因素的预测模型和基于快速出行交通链路的负荷预测模型。文献[23]总结了三种主要电动汽车超载负荷的预测技术;文献[24]对不同类型的电动汽车在不同的充电运转模式下的充电行为进行了分析;文献[25]针对不同的类型电动汽车初始充电持续时间和初始荷电状态(SOC)的大小进行了分析,并重点考虑了电动汽车的初始充电持续时间的限制;文献[26]重点考虑了各种电动汽车充电功率的变化和多样性;在相关文献[27]中,分别建立了四种对于电动汽车相关负荷影响因素的建模。以上的文献都是根据给定的电荷运行状态情况来确定充电时间,但是对于一个给定的电荷运行状态来说,它们都具有明确的主观性,缺乏科学的实践依据。在文献[28]中,提出了一种基于对用户日常出行链的负荷影响预测的方法,该预测方法在设计上考虑了许多负荷影响的因素;文献[29]中,提出了一种综合考虑车位时间与空间变化的负载预测模型,该研究方法是基于交织式的车位模型与充电时间模型两个交织式模型。在上面的文献中,充电负荷是根据其在充电周期中给出的,但事实上,车辆在这个充电周期中的行为具有某种特定的概率,所以我们给出这些充电负荷的途径和方法仍然是不恰当的。在文献[30]中,建立了面向趋同性的分段式充电负载概率估计的模型;在相关文献[31]中,建立了各种负荷的影响因素的概率模型,计算出一天中每一次进行充电的可能性和概率,并采取了概率统计的手段对每日进行充电的可能性和负荷情况进行预测。以上这些文献虽然已经成功建立和发起了关于预测负荷概率预测的各种概率模型统计分析模型,但各个预测负荷的各种影响概率因素所共同构成的概率模型相对比较简洁,分析得不够具体和全面。针对上述相关文献中电动汽车负荷预测技术和方法中存在的问题和不足,对其所提出的电动汽车负荷预测技术和方法进行了如下的改进:对于电动汽车按照不同的类型、不同的行驶性质等要求进行了分类、全面的研究和分析;在准确地计算充电时长时,以及能够使用一种通过科学的拟合而得到的平均值和日行驶里程模型来代替由于主观而确定的荷电状态模型;建立充电负荷预测的概率统计学模型来准确计算各个时刻的充电负荷预测概率,能够更为准确地表示和描述各个时刻的充电负荷,更加适应于用户的充电行为的随机化特征。将本文研究所提供的负荷预测方法的研究成果与其他传统的负荷预测方法相比较,验证了本文研究所提供的负荷预测方法的科学性。本文将电动汽车分为四种类型:公交车、出租车、私家车和公务车。首先，分别建立负荷影响因素的详细概率模型和各时刻充电概率分布函数，然后得到各时刻充电概率和充电负荷，最后，将所提出的负荷预测方法与传统的基于充电周期的负荷预测方法的结果进行了比较和分析。2.2电动汽车充电负荷影响因素建模电动汽车充电负荷预测在建模过程中会受到很多方面的因素影响,其中主要包括电动汽车本身的条件、充电装置、用户的使用习惯等。对电动汽车充放电负荷的影响可以从电动汽车的自身性能、充电设备及其驾驶性能3个方面来总结。为了更加便于研究，下文合理选择了四个重要的对充电负荷产生影响的因素，并分别构建了数学概率模型。起始充电时刻初始充电的时间与每一个用户的驾驶习惯和特性密切联系,一般情况下,用户都会选择一天中每次出行结束后的一段时间来作为第一次开始充电的时间。从目前的情况来看,电动汽车在我国市场中得到了较好的广泛应用和普遍推广,但是在我国市场中电动汽车的行驶过程方面仍然存在着一些相关资料欠缺。因此,本文采用了传统的燃油车辆在道路上的行驶原理和特点,用它来取代电动车辆。通过对传统的燃油车辆行驶原理和特点进行分析,可以大致了解电动车辆的行驶原理和特点。基于2009年美国交通部对美国家庭用车NHTS(NationalHouseholdTravelSurvey)的调查结果，通过数据模拟处理得到汽车最后出发时刻满足式(2-1)所示的正态分布[31]。（2-1）其中，为最后一次出行的结束时刻，即起始充电时刻；为最后一次出行结束时刻的期望；为最后一次出行结束时刻的标准差。和随着不同类型车辆行驶特性的不同而变化。B.日行驶里程日行驶里程是电动汽车驾驶特性的重要指标，反映汽车一天的耗电量，进而影响电动汽车的充电时间。通常，行驶里程的大小与充电时间有关。同样，用传统燃油汽车的出行特性来代替电动汽车的出行特性进行分析。与2.2节中A的分析起始充电时刻类似，根据文献［31］可推导得到电动汽车的日行驶里程满足如下分布:（2-2）其中，为日行驶里程，单位为；为的期望;D为的标准差。和随着不同类型车辆行驶特性的不同而变化。C.充电功率现在，大多数电动汽车都使用锂电池。锂电池的充电过程是恒压-恒流两个阶段的充电过程。为了简化分析，本文使用恒功率而不是整个充电过程的充电功率。此外，电动汽车的充电功率还与充电设施、充电模式有关。目前，电动汽车的主要充电模式有慢速充电、常规充电和快速充电三种。本文根据不同类型的电动汽车的驾驶特性，具体选择相应的充电模式。D.充电时长充电时段由充电起始时间和充电时长一起决定。充电的时长受到很多因素的制约。一般可以从日行驶距离和起始荷电状态两种方式决定。若基于荷电状态计算充电时长，则有如下公式:（2-3）其中，为充电时长，单位为；为期望充电完成后的荷电状态(一般充满，取为1)；为起始荷电状态；为电池容量，单位为；为充电功率，单位为；为充电效率，一般取为0.9。由于开始荷电状态的分布具有很大的随机性，并且会根据电动汽车的类型不同而不同。一般的负荷预测方法都是人工给出SOC的值[28-31]，缺乏科学性。为了更准确的得到充电时长，本章通过基于日行驶里程的方式计算充电时长，如式(2-4)所示。将汽车的驾驶特性科学地应用到日行驶里程的数据中，就可以得到其概率分布，这是比较客观，是可取的。（2-4）其中为每行驶100的耗电量，单位为(kW·h)/百公里。如前文所述，日行驶里程符合式(2-2)中所示的对数正态分布。根据正态分布的性质且充电时长为日行驶里程的线性组合，也符合对数正态分布。即：（2-5）其中，为充电时长的期望，为充电时长的标准差。2.3电动汽车充电模式分析前文介绍了影响电动汽车充电负荷预测的各种主要影响因素的概率模型。下面，根据电动汽车的不同用途，分为公交车、出租车、公务车和私家车四种。具体分析相应类型车辆的充电模式，设置负荷预测模型的各类参数。1、公交车公交车作为城市交通的重要手段，需要持续承担城市公共交通的任务，因此采用轮班运营制。根据对公交车的实际运营情况的调查，公交车每天的运营时间都是一致的，大致为06:00-22:00。根据文献［32］中的数据，公交车的日行驶里程大约为200。为了使建模更容易，本文采用的电动车型号都为“比亚迪K9”型，根据文献可知，该型号的电动汽车的电池容量为324，其续航里程为250，行驶100的耗电量为140（）/百公里。从安全运行角度考虑，一天充电难以满足电动公交车的运行需求，需要每天充电两次。因为公交车的运行时间和路线比较集中，所以可以进行集中充电。在白天的高峰期不安排充电，中午轮班的午餐时间进行快速充电，晚上下班后进行常规充电。由上面的数据可以分析得到，公交车的充电时段可以大致确定为10∶00—16∶30、23∶00至次日05∶30，日行驶里程服从对数正态分布且充电时段分别服从正态分布和，常规充电和快速充电的功率分别为60kW、108kW，。2、出租车根据对出租车实际运营情况的调研，根据已知文献数据分析可知，出租的运营时间为06:00-24:00，根据文献[32]，出租车的日行驶里程大约为400，出租车和公交车的EV型号一致，该型号的电动出租车电池容量为82，续航里程为400，出租车每小时行驶100消耗的电量为205。由于每天充电一次难以满足出租车的实际运营需求，出租车一般采用每天充电两次的方式，充电时间选择在中午轮班的午餐时间和晚上下班时间。由于出租车的休息时间有限，而且还需要及时补充电力，所以电动出租车选择快速充电模式。由上面的数据可得到，出租车的充电时段为02:00-05:00和11:30-14：30，且两个充电时段分别服从正态分布和，快速充电的功率为60。日行驶里程服从对数正态分布。3、私家车与公交车和出租车相比，私家车的驾驶特性具有随机性和随机性。不考虑外出旅行和自驾旅行，一般情况下私家车出行的目的有通勤和娱乐两个方面。根据对私家车实际出行情况的分析。私家车通常会在晚上下班后停在小区的停车场进行充电，或者选择在上午工作时间和下午工作时间，停在工作单位的停车场充电。根据文献［32］中的数据，不考虑长途出行，私家车的日行驶里程为70。实际市场中，电动私家车有各种各样的型号，为了便于分析，本文采用公交车同种型号的电动汽车为分析对象。该型号的电动汽车电池容量为82，续航里程为400，每行驶100的耗电量为205。私家车充满电后的续航里程远远长于平均日行驶里程，所以一天充一次电就可以满足私家车的驾驶需求。私家车的充电位置可选择上午上班时间、下午上班时间在单位停的车场充电和晚上在居民住在区的停车场充电，三个充电时段的概率分别为0.2、0.1、0.7。如果在单位停车场充电，充电时间往往小于3h，所以选择快速充电方式，充电功率为60;如果在住宅停车场充电，充电时间可以延长到整个晚上，所以可以选择常规充电方式，充电功率为7。根据以上分析，私家车的充电时段为09∶00—12∶00、14∶00—17∶00、19∶00至次日07∶00，分别服从正态分布、、。日行驶里程服从对数正态分布。4、公务车公务车主要用作政府机关外出执行公务，所以不考虑长途出行，且公务车的驾驶特性和私家车相似，所以行驶数据也与私家车类似。公务车的充电时间一般会在晚上下班后，将车停在单位的停车场进行充电。为了便于分析，本文采用同一型号的电动汽车作为分析对象。该型号的电动汽车电池容量为82，续航里程为400，行驶100的耗电量为20.5()/百公里。由于电池续航里程大于公务车的平均日行驶里程，所以一天一充就可以满足公务车的出行需求，且公务车的充电时长可以延续一整晚，采取常规充电模式，充电功率为7。根据以上分析，公务车的充电时段为19∶00至次日07∶00，服从正态分布，日行驶里程服从对数正态分布。表2-1电动汽车的驾驶特性参数车辆类型充电时段起始充电时刻概率分布日行驶里程概率分布公交车10∶00-16∶3023∶00至次日05∶30出租车02∶00—05∶0011∶30—14∶30私家车09∶00—12∶0014∶00—17∶0019∶00至次日07∶00公交车19∶00至次日07∶002.4电动汽车充电负荷预测模型计算1、假设条件在上述描述中,提供了一个可能会对影响汽车充电负载预测结果的数学概率模型和各种类型电动汽车的操作模式与参数配备。为了有助于构造充电负荷的预测模型,本文主要提出了以下合理的假设。a)各类电动汽车的充电开始时间、行驶距离和充电功率都是相互独立的随机变量。b)各类电动汽车的充电功率均视为恒功率模型，无恒压充电和恒电流充电这两个阶段。c)所有电动汽车每次都充满电量后才结束充电;d)所有电动汽车的最后一次出行结束时刻即为该车辆的起始充电时刻。2、电动汽车各时刻充电概率的计算电动汽车在一天中某一时刻的充电状态只有两种。充电中和没充电。根据影响充电负荷的各种因素的数学概率模型，可以通过计算充电中的概率并将充电中的概率乘以充电功率来获得充电负荷。根据文献[30]，图2-1为在时刻电动汽车没有充电的2种情况。图中，为起始充电时刻。图2-1电动汽车没有充电的两种情况设表示时刻电动汽车正在充电，表示时刻电动汽车没有充电。将一天按照间隔30min分为48个时刻，一天中时刻的充电概率可以用如下公式表述:（2-6）（2-7）其中，为起始充电时刻和充电时长的联合概率分布函数。根据前文给出的假设，起始充电时刻和充电时长为相互独立的随机变量，故，、分别为、的概率分布函数。根据式（2-7）计算得到时刻的充电概率，充电功率视为恒定值，则时刻的充电负荷可通过式（2-8）计算得到。（2-8）其中，为时刻的充电负荷。3、蒙特卡洛预测法蒙特卡洛方法就是一种利用海量的随机数据进行模拟准确逻辑的计算思想、一种利用数量获取质量的计算理念。现行较为普遍的一种电动汽车负荷充电预测计算模型方法[24-25,27]是：通过对各充电负荷之间的影响因子关系进行分析建立计算模型，得到起始充电时刻和充电时长，在该时段内的充电负荷即等于该时段的充电功率，然后将所有电动汽车的负荷累加得到负荷预测结果，如式（2-9）所示。该方法可称为基于充电时段的负荷预测方法。（2-9）其中为总充电负荷，单位为;为电动汽车总数，单位为辆；48表示将24h划分为48个时段；为第辆电动汽车在时刻的充电功率，单位为。该方法的缺点是，根据主观设定的荷电状态的概率分布来计算充电时间，默认在充电周期内电动汽车必须充电。实际上，在充电期间内，电动汽车只是以一定的概率充电，人设定的荷电状态也并不客观。于是,本文为了有效地克服以上的缺陷,提出了对负荷预测的方法,并通过各个对负荷的影响因素的数学概率模型确立,使其获得了电动汽车每个时刻所需要进行充电概率的概率分布函数,并且获得某个时刻所需要进行充电的概率,充电概率和所需要的充电功率二者相乘就能够即可以直接得到所需要的充电负荷。这种方法有时被我们称之为基于瞬间充电概率的蒙特卡洛仿真。图2-2为蒙特卡洛方法的计算流程图。其中，输入的相关参数包括各类型电动汽车的数量、起始充电时刻概率分布的期望和标准差、日行驶里程概率分布的期望和标准差、电池容量、充电功率、充电效率、充电概率等。图2-2蒙特卡洛方法流程图通过前文计算得到单辆电动汽车在每一时刻的充电负荷，形成单辆电动汽车的日负荷曲线，再累加各电动汽车的日负荷，得到电动汽车总负荷，如式（2-10）所示。（2-10）其中，为总充电负荷，单位为，为第辆电动汽车在时刻的充电概率。通过蒙特卡洛法模拟5000次，将一天24h以30min为间隔划分为48个时段，根据表1-1抽取起始充电时刻的概率密度，根据式（2-5）抽取充电时长的概率密度，根据式（2-6）、（2-7）计算各个时刻的充电概率，根据式（2-8）计算各个时刻的充电负荷，根据式（2-10）累加计算总充电负荷，最后判断仿真结果是否收敛，若收敛，则得到充电负荷曲线；否则，需重新计算。具体判断方法如下：本文采用方差系数来评判蒙特卡洛方法模拟结果的精度，的计算公式为：（2-11）其中，为时刻充电负荷的方差系数；为时刻充电负荷的方差；为时刻充电负荷的期望；为时刻充电负荷的标准差；为计算次数。若则仿真结果是收敛的。2.5蒙特卡洛预测结果及分析根据2.3,节，2.4节的假设条件，将电动汽车分为四类，假设10000辆电动汽车的实际运行情况，其中私家车占总数的54%，公交车和出租车各占总数的18%，公务车占1%，以2.3节电动汽车充电模式分析中各类电动汽车的出行数据为依据，通过MATLAB得到负荷预测图形。根据上述电动汽车充电负荷的预测模型以及蒙特卡洛方法的运用，以10000电动汽车的使用情况为例，得到负荷预测结果如图2-3所示。图2-3公交车日负荷预测由图可见，公交车的日负荷集中在12∶00-18∶00以及20∶00至次日03∶00这2个时段，在23∶00至次日01∶00和14∶00-16∶00这2个时段的日负荷较高，其在白天采用大功率快充模式，在15:00左右达到日负荷的峰值，大约为1296，在夜晚采用小功率常规充电模式，日负荷攀升至1020，从日负荷曲线来看，公交车的日负荷波动较大，尤其是在14∶00-16∶00的时段内，充电负荷到达峰值，峰值与谷值差距甚远，对电网造成剧烈冲击，对电网的稳定性提出了更高的要求。但是可以考虑与其他有不同日负荷特性的电动汽车互为补充，可在一定程度上削弱峰谷差值。图2-4出租车日负荷预测出租车的日负荷主要集中在02∶00—06∶00以及12∶00—16∶00这2个时段内，分别在04∶00和13∶00达到峰值，约为1832，日负荷曲线呈现双峰形态。出租车日负荷的第一个峰值位于03∶00—05∶00，可以对电网总负荷的峰谷起到“填谷”的作用，提高电网的总负荷，减小电网总负荷波动，这对电网的稳定起到了一定的正面作用。图2-5私家车日负荷预测私家车的日负荷集中在09∶00-12∶00、19∶00-24∶00，并分别在09∶00、21∶00达到负荷峰值，分别约为1440、2219，负荷曲线呈现双峰形态。私家车的行驶特性更为灵活、随机，因此，其负荷曲线呈现的形态也更为多样。私家车的充电负荷峰值最为集中在19∶00—24∶00，这个时段正好是电网总负荷的峰值时段，大量电动私家车接入电网充电将会加剧该时段电网的总负荷，对电网的稳定造成一定的影响。电网公司可以采取相应的措施，如在电网总负荷较低的凌晨时段施行廉价的充电费用，以鼓励和分散电动汽车的集中充电行为。图2-6公务车日负荷预测公务车的日负荷集中在时段19∶00—24∶00，于21∶00达到负荷峰值，约为112，负荷曲线呈现单峰形态。公务车集中在晚间充电，和私家车一样会加剧该时段电网的总负荷，给电网的稳定造成不良的影响。图2-7电动汽车日负荷预测4种类型电动汽车的总充电负荷的峰值处于14∶00—15∶00，约为2484。在该时段的充电行为中，公交车的充电负荷处于主导地位，主要是因为该时段采用大功率快速充电模式的公交车的充电负荷要远远大于采用其他充电模式的电动汽车的充电负荷；而在19∶00至次日01∶00时段的充电负荷中，主要由私家车和公务车以及公交车的充电负荷主导；在01∶00—06∶00时段的充电负荷中，主要由出租车的充电主导。图2-7所示的总充电负荷曲线表明，充电负荷在一天内的波动甚是剧烈，对电网的稳定具有潜在的威胁。因此，电网方面应考虑设计相应指导性的充电策略以引导规范用户的充电行为，出台合理的充电费用规则用以分流用户充电，以期达到扬长避短、以长补短的效果。2.6结论本文在对充电负荷预测的影响因素的负荷模型进行改进的基础上，提出了基于时刻充电概率的负荷预测方法。该方法通过计算各时刻的充电概率来获得充电负荷，避免了一般负荷预测方法中存在的参数模型设定的主观性、预测结果与用户的随机驾驶行为的不一致等缺陷。以本文的10000辆电动汽车为例，计算得到了各类型电动汽车的充电负荷曲线，并与常用负荷预测方法进行对比。结论表明，本文所提方法能够精确得到各时刻的充电负荷，通过计算时刻充电概率恰当地描述了用户充电行为的随机性，有效地证明了本文所提负荷预测方法的科学性、客观性。

第三章计及大规模电动汽车充放电影响的优化调度研究3.1引言大规模的电动汽车随机入网容易导致配电网内的电力负荷急剧增加,充电负荷高峰前的负荷高峰和重叠,会造成“峰上加峰”的现象发生,给电力系统的运行和控制带来更多的负面影响及损失，其中包括配电负荷曲线、网络损耗以及节点电压偏移等方面的影响。为了增加电网对电动汽车的接纳能力，提高配电网的经济运行，降低随机充电对电网的影响，需要优化控制的充电策略来引导电动汽车充电。一方面，风电不仅具有很大的随机性，其波动性也很强，并网后电网的调度压力将增大，并且风电并网消纳的问题严重［33］；同时，电动汽车无序、大规模入网也使电网的调度压力增大［34］。近些年电动汽车V2G（VehicletoGrid）技术受到了广泛关注和研究［35-37］，通过这一项技术，可为电网和车主之间的互动双赢建立新的桥梁，并且可以配合风电等新能源的并网，提高了可再生能源利用率。另一方面，电动汽车与风电都有潜力满足低碳发展的需求，并符合中国可持续发展的规划的需求，有重要的研究意义。由于电动汽车越来越具有社会性，所以有必要深入研究一种合理安排电动汽车参与含有风电的电网调度的方式，讨论了发电侧资源与用电侧资源交互的新模式。电价响应作为需求响应的重要形式，将电价作为引导或改变用户用电方式的信号，从而增加用户收入，使电网受益。目前，针对引导车主入网与风电并网的电价机制的研究较少。V2G的实现大多是电动汽车车主对电网监管的被动接受。目前，自动调节技术难以实现，通过电价机制引导车主积极参与系统调控成为主要的优化策略［38］。随着市场形势的发展，通过价格杠杆来引导用户的充放电行为，更有利于加快电动汽车在中国的推广速度，提高推广效果。在发电侧和用电侧之间的交互,更多更灵活的电动汽车积极参与电网调度计划,对智能电网的发展和低碳电力的可持续发展奠定了基础。文献[21]和[39-41]详细研究了电动汽车通过电价进行有序充电的策略，但没有考虑到电动汽车分布式放电的影响。文献[42-44]直接从电网侧的角度调控电动汽车接入电网，构建电力系统经济调度模型。但是，它没有考虑到负荷侧电动汽车车主的满意度，不能广泛提高车主的积极性。[45-46]本文从电网利益和车主满意度的角度出发，建立了电动汽车车主对电价变化的需求响应模型，并对负荷曲线进行了改进。但没有考虑风电等可再生能源供电侧模式的优化。不同的算法求解目标的效果不同。文献[47]采用遗传算法求解了具有最小峰谷差率的优化模型。在文献[48]中，采用交叉遗传粒子群优化算法对5辆电动汽车进行优化，并通过加权法将车主成本和负荷波动转化为单一目标。然而，不同的权重对目标有不同的影响。在此背景下，本文建立了考虑需求响应的风电和电动汽车协调调度多目标优化模型。通过价格机制引导电动汽车进入电网，以改变负荷波动，并且降低车主的支付成本。现有文献大多引入电动汽车对风电波动进行削峰填谷，然后对风电调度进行平滑并网，以减少对电网的影响。虽然这样可以减少对电网的影响，但不能减少并网后的负荷峰谷差。因此，本文对风电和电动汽车向电网的协调调度，优化的目标是使并网后的负荷方差最小，既能减轻风电并网对电网的影响，又能减少负荷波动。考虑到电动汽车的社会性，我们应该考虑到电动汽车车主的利益，让他们积极参与电网调度。因此，还应建立以电动汽车车主支付最低为目标函数，以单位时间内电动汽车入网功率为优化变量，通过联动调度与发电侧资源进行优化求解。因此，本文建立了以下两个目标函数。3.2电动汽车负荷方差最小充电方式目标函数：负荷方差最小（3-1）（3-2）其中，为一个调度周期，本文取调度周期为24h，以单位时间为时间跨度；为时刻的预测的基础负荷，为时刻的预测的风电功率，为时刻电动汽车入网时的功率，当的值为正时，表示电动汽车入网充电，当其值为负时，表示电动汽车入网放电；为调度周期内的平均负荷。因为本文研究的主要内容是：如何正确引导电动汽车入网，并且在入网后减小风电并网时给系统带来更大的负荷波动，因此定义本文模型和算例中的负荷和基础负荷分别指代某个地区的风电并网后的风电负荷和预测的基础负荷。3.3车主支付费用最少目标函数：车主支付费用最小（3-3）其中，为电动汽车在时刻的充放电价格，为电动汽车在的电池损耗成本，电池损耗成本为充放电能折合的电池费用率乘以实际的充放电电量［18-20］。实际电动汽车充放电电量即为本文所求的优化变量，因此电动汽车在时刻的损耗成本可以表示为,为了简化计算，验证本文模型的可行性和有效性，可以设电池寿命按使用1500次且每次平均达到电池容量80%计算，所以此时的，此时的[49]为了弥补电动汽车在充放电过程中的电池损耗，本文加入一个损耗补偿费用。为了便于对比分析，本文设定同一时刻电动汽车从电网充电价格和向电网馈电补贴价格相同。（3-4）（3-5）（3-6）其中，为计及电池损耗的补偿电价，本文中，的正值表示电动汽车充电时，用户需要支付的费用；为负值则是电动汽车放电时，车主的收入金额。3.4约束条件（1）系统约束（3-7）（2）电动汽车约束电动汽车的充放电功率约束：（3-8）上式中，为单辆电动汽车的充电功率，为单辆电动汽车的放电功率；为电动汽车在的停驶数量。电动汽车储存容量约束（3-9）其中，电池储存容量的上限极值参数是，电池储存容量的下限极值参数表示为，为了保证电动汽车电池的寿命，应防止深度充放电，并且应该满足一部分的余额，因此调度中应设置电动汽车电池剩余容量的上下限约束；是单辆电动汽车最大储存容量，表示电动汽车总数量。电动汽车在下一时刻剩余的储存容量不仅要满足在单位时间调度中心充放电调度需求，还应同时满足电动汽车的行驶消耗。因此有：（3-10）（3-11）其中，为电动汽车充放电效率，为单位时间；为时电动汽车满足行驶需求时所消耗的电池容量，为时刻电动汽车停驶的概率；为电动汽车每消耗的电池容量；为电动汽车的平均行驶速率。（3）多目标变为单目标的转换为了使不用单位和数量级的数据进行加权和比较，需要将数据进行无量纲处理，以便更容易更正确的得到最优解，即将数据进行标准化。本文对数据采用规格化处理，对原始数据进行变换，取值范围均为[0-1],先找出本文两个目标函数的最大值和最小值，转换的公式如下：（3-12）上式中，，，，表示目标函数1（负荷方差最小）的归一值、真实值、最大值和最小值；，，，表示目标函数2（车主支付费用）的归一值、真实值、最大值和最小值。对数据进行归一化处理之后，本文采用线性线性加权的方法将多目标转换为单目标，即根据本文两个目标函数的重要程度，乘以相应的权重系数，然后相加，构成一个目标函数。本文取目标函数1（负荷方差最小）的权重系数为0.5，取目标函数2（车主支付费用）的权重系数为0.5.。公式如下：（3-13）（3-14）3.5案例分析为了验证上述模型的合理性，本案例基于某个地区的风电并网后的风电负荷和预测的基础负荷，再将10000辆电动汽车加入系统，进行验证。并设定调度周期为24h，单位时间为时间跨度，在本模型中，电池和电动汽车为同一型号，为了使计算更加简便，调度周期初始时刻的车载电池存储容量为电池最大容量的50%。电动汽车及其电池参数如表3-1示[50]，则电动汽车典型日停驶概率如图3-1所示[51]。基础负荷和风电的24h预测值如表3-2所示[50]，结合文献[38]制定的分时电价如表3-3所示。电动私家车与传统燃油私家车使用用途相似，本文采用传统燃油私家车的数据作为电动私家车的数据，本章使用lingo软件进行优化仿真。表3-1电池和电动汽车参数参数取值电池最大储存容量0.03电池深度放电下限参数0.2电池储存容量的上限极值参数0.8电动汽车充放电效率0.95电动汽车充放电功率，0.005电动汽车平均行驶速率40电动汽车每消耗的容量0.0002图3-1调度周期内电动汽车的停驶概率合理的分时电价依赖于合理的高峰期和平谷期的时段划分，只有合理的分时电价，和合理的高峰期平谷期的时段划分才能体现出较好的需求侧管理作用，基于某地区的分时电价以及表3-2中预测的风电负荷和基础负荷的波动情况，本文对峰谷时期电价进行了有效划分，本文中包括风电并网后的峰谷时期时段的划分如表3-3所示：其中，高峰时段为09:00—11:00、19:00—22:00，平时段为06:00—09:00、15:00—19:00、22:00—00:00，低谷时段为00:00至次日06:00。表3-2风电和基础负荷的24h预测值时刻基础负荷（MW）风电（MW）时刻基础负荷（MW）风电（MW）01:0075020013:0014509002:0080017514:00135013003:0090011515:00125014504:00100014516:00110020005:00105019517:00105020506:00115017018:00115023007:00120016019:00125018508:00125011520:00145022009:0013506021:00135013510:0014504022:00115010011:00150010523:009504012:00155011524:00850100表3-3分时定价表时段性质充电电价Ci,1（元/MW∙h）放电电价Ci,2（元/MW∙h）0:00-6:00低谷3351686:00-9:00平段7814689:00-15:00高峰1253100715:00-19:00平段78146819:00-22:00高峰1253100722:00-0:00平段781468结论：在2.5和2.6节中对电动汽车基于时刻充电概率的无序充电模式进行了负荷预测，得到了当电动汽车无序充电时的负荷预测图形，通过图形可知，电动汽车的负荷波动剧烈，对电网会有潜在的影响，于是采用负荷方差最小和车主支付费用最小的优化调度方式，并且用lingo软件来验证两个模型的合理性。图3-2为优化-后的电动汽车的负荷曲线。图3-2优化后EV负荷由图3-2可知，电动汽车优化后的负荷曲线和高峰期，平谷期的划分时间是一致的，电动汽车的车主喜欢在高峰期放电，在平谷期充电，在减少了费用支出的同时也降低了负荷方差，获得了收益，因此达到了优化调度的目的；通过lingo软件运行目标函数可得到负荷方差为54085.41，车主需要支付费用为11897.63元。图3-3优化后的负荷曲线与优化前负荷曲线对比由图3-3所知，计及电动汽车负荷之后的风电并网，降低了峰谷差。在高峰期时，通过EV负荷的加入使电网高峰期负荷下降；在低谷期时，EV负荷使低谷期的负荷上升，实现了“削峰填谷”的目的，平抑了风电入网后的负荷曲线，同时，进一步证明了上述模型的合理性。3.6本章小结本章通过两个目标函数，负荷方差最小和车主支付费用最少，以此来达到计及大规模电动汽车充放电影响的优化调度的目的，建立了计及需求响应的风电与电动汽车协同调度的多目标优化模型，通过价格机制引导电动汽车入网，以负荷方差和车主支付费用最小为目标并且协调优化发电侧资源，形成了发电侧资源和负荷侧资源协调优化配合风电并网消纳的新模式，得出以下结论：（1）在电价响应的机制下，车主不仅可以自行选择充电时间和放电时间，这样不仅可以削弱高峰期和低谷期的差值，还可以减少车主的支付费用，这样的措施必然可以调动车主参与电网调度的积极性，推动了电动汽车的普及率，也为电网和电动汽车的互动提供了一定的参考。（2）本文验证了车主能够在需求响应时，积极参与含有风电的电网调度中。但是本章没有考虑到风电随机性的影响，下一步的研究方向就是把风电的随机性影响也考虑进去

第四章结论与展望4.1全文总结随着环境污染和全球化石燃料的紧缺等问题的日益严重，使用电力和风能等清洁且可再生的能源代替和化石燃料成为了全世界人民所关注的问题，因此用电力代替石油和天然气的电动汽车受到了各国政府和相关企业的高度关注，但是大规模的电动汽车随机入网不仅会对电网造成剧烈冲击，也会对电网的稳定性有更高的要求，增加了现有的电网架构的压力，因此需要了解并正确评估电动汽车入网充电对配电网造成的影响，可以通过电动汽车的储能系统与电网的交互作用以及相应的协调优化控制来调控电动汽车的负荷，起到“削峰填谷”的作用。进一步善加利用电动汽车的储能功能还可以起到平滑风能负荷曲线的作用。本文通过“蒙特卡洛预测法”研究基于时刻概率的电动汽车充电负荷预测的基础上，以“负荷方差最小”和“车主支付费用最少”为目标，建立两个目标函数。研究了电动汽车充电负荷的优化控制，并将风电负荷与电动汽车负荷的波动性相结合，以此减小电网的负荷波动。为了证明该方法的可行性，用Lingo进行仿真模拟，通过案例分析，得到了以下成果：（1）构建电动汽车基于时刻概率充电负荷的预测，针对电动汽车入网对电网造成的影响，考虑到用户出行习惯的多样性和充电时间的随机性，以传统燃油汽车为例，给出了电动汽车充电的时间概率分布，提出负荷预测模型，采用Montecarlo法得到其负荷预测曲线。通过预测曲线可知，电动汽车在随机入网进行无序充电时，其充电负荷在一天的波动甚是剧烈，不仅会对电网负荷造成剧烈冲击，还会对电网的稳定性存在潜在的威胁，因此需要采用一系列的优化调度方式，降低电动汽车对电网的冲击。（2）针对第二章得到的结论，本文研究了电动汽车优化充电的方式，以平衡电网负荷波动和降低车主的支付费用为目标，建立优化调度模型。这样不仅可以电动汽车入网的负荷曲线，减少负荷波动，还考虑到电动汽车的社会性，调整电价，兼顾到车主的利益，调动车主参与调度的积极性。模型结果表明，两种优化方式不仅可以有效的降低电动汽车入网对电网造成的压力，有效的降低了负荷方差，同时还给用户带来了金钱收益，达到了电网与车主双赢的结果。（3）考虑了风电入网的影响，利用风电的不确定性平缓负荷曲线4.2工作展望本文主要围绕随机调度电动汽车随机入网时对电网造成的影响这一主题,以及关于一系列优化调度方法的问题进行研究,构建了大规模电动汽车随机入网时对电动汽车负荷的预测模型,计及各种大规模的电动汽车随机入网充放电影响的优化调度，并且考虑了风电随机性的影响等内容进行了初步研究。虽然做出了一些有益探索，但对这些问题仍需要更进一步的探索，具体有以下几个方面：（1）采用实际电动汽车的行驶数据，建立更加精确的电动汽车负荷预测模型，虽然如今的智能交通系统和全球定位系统的发展为我们获得交通数据提供了更便捷的通道，但仍然缺乏足够的电动汽车实际运营的数据，本文采用的模拟的10000辆电动汽车的运营，以传统汽车的出行数据进行模拟，难以针对我国的电动汽车实际运营情况进行研究。伴随着全国各地的电动汽车示范运营的开展，采集不同工况下的电动汽车出行数据进行研究，将对电动汽车负荷模型的建立提供指导意义。（2）本文提出了负荷方差最小的优化调度方式，但针对负荷方差最小的优化充电方式并不能完全满足电压越限和线路过负荷安全约束等问题，还需要一种更加优化的充电方式才能满足要求，例如引入表示状态变量和控制变量的各种不等式约束，提出以网损最小的优化充电控制方式。（3）针对电动汽车与可再生能源的协调控制等问题已经逐渐成为研究热点，利用电动汽车充放电过程中的优化，来平衡风能和太阳能等间歇性可再生能源的自然可变性，提高可再生能源的利用率，以及提高电网可以接纳可再生能源发电的入网能力。

参考文献[1]王东华.电动汽车入网对电网的影响及其优化调度[D].华中科技大学,2015.[2] 夏博,唐宇池,肖孝天,杨超.含电动汽车的智能配电网优化调度研究综述[J].电力大数据,2019,22(07):87-92.[3] 吕耀棠,管霖,赵琦,周保荣.充电式电动汽车停车场的V2G模型及接入配电网方案优化研究[J].电力自动化设备,2018,38(11):1-7+14.[4] 吴红斌,侯小凡,赵波,朱承治.计及可入网电动汽车的微网系统经济调度[J].电力系统自动化,2014,38(09):77-84+99.[5]刘娅琳,沈浩东,杜红卫,赵浚婧,鲁文.智能配电网优化调度技术研究综述[A].中国电机工程学会.2013年中国电机工程学会年会论文集[C].中国电机工程学会:中国电机工程学会,2013:5.[6]陈学有,文明浩,陈卫,杨波.电动汽车接入对电网运行的影响及经济效益综述[J].陕西电力,2013,41(09):20-28.[7]颜乐平,李琰,徐天奇.智能电网中电动汽车充放电实时电价策略研究[J].电工技术,2019(24):177-180.8.[8] 贺智雄.电动汽车对电力系统的影响及其调度与控制问题[J].科学中国人,2016(09):154.[9]卢强,陈来军,梅生伟.博弈论在电力系统中典型应用及若干展望[J].中国电机工程学报,2014,34(29):5009-5017.[10]黄廷城,张勇军.计及充电可靠性的电动汽车有序充放电控制策略优化与分析[J].电力科学与技术学报,2019,34(04):85-92.[11]钟臻,张楷旋,吴贞龙,甘洪丽.基于改进的LDW粒子群算法的风-火电力系统联合优化调度策略[J].电力大数据,2017,20(10):50-55.[12]张沛,吴潇雨,和敬涵.大数据技术在主动配电网中的应用综述[J].电力建设,2015,36(01):52-59.[13]DuvallM，KnippingE，AlexanderM，etal．Environmentalassessmentofplug-inhybridelectricvehicles．Volume1：Nationwidegreenhousegasemissions[R]．PaloAlto，CA：ElectricPowerResearchInstitute，:2007，1015325．[14]王锡凡,邵成成,王秀丽,杜超.电动汽车充电负荷与调度控制策略综述[J].中国电机工程学报,2013,33(01):1-10.[15]陈丽丹.电动汽车广泛接入对电网的影响及其调控策略研究[D].华南理工大学,2018.[16]王斐,李正烁,叶萌,郭庆来,王珂,孙宏斌,杨天宇.电动汽车充电对电网的影响及其优化调度研究述评[J].南方电网技术,2016,10(06):70-80.1[17]李立浧，张勇军，陈泽兴等．智能电网与能源网融合的模式及其发展前景［J］．电力系统自动化，2016，40(11):1-9．[18]M.S.Islam,N.MithulananthanandD.Q.Hung,"ADay-AheadForecastingModelforProbabilisticEVChargingLoadsatBusinessPremises,"inIEEETransactionsonSustainableEnergy,vol.9,no.2,pp.741-753,April2018.[19]H.NguyenandC.K.Hansen,"Short-termelectricityloadforecastingwithTimeSeriesAnalysis,"2017IEEEInternationalConferenceonPrognosticsandHealthManagement(ICPHM),Dallas,TX,USA,2017,pp.214-221.[20]高赐威,张亮.电动汽车充电对电网影响的综述[J].电网技术,2011,35(02):127-131.[21]徐智威,胡泽春,宋永华等.充电站内电动汽车有序充电策略[J].电力系统自动化,2012,36(11):38-43.[22]刘文霞,徐晓波,周樨.基于支持向量机的纯电动公交车充/换电站日负荷预测[J].电力自动化设备,2014,34(11):41-47.[23]朱慧婷,杨雪,陈友媛.电动汽车充电负荷预测方法综述[J].电力信息与通信技术,2016,14(05):44-47.[24]刘青,戚中译.基于蒙特卡洛法的电动汽车负荷预测建模[J].电力科学与工程,2014,30(10):14-19.[25]罗卓伟,胡泽春,宋永华等.电动汽车充电负荷计算方法[J].电力系统自动化,2011,35(14):36-42.[26]S.Shao,M.PipattanasompornandS.Rahman,"ChallengesofPHEVpenetrationtotheresidentialdi