[科普中国]-电动汽车充电负荷预测

简介

由于环境、能源问题日益突出，作为清洁能源汽车的代表，电动汽车近年来得到了快速发展，充电负荷也初步体现出了统计特征。随着动力电池与车辆技术的不断完善，电动汽车的规模化应用日益扩大，在此背景下，对电动汽车充电负荷进行特征分析及预测，一方面有利于电动汽车充电站的经济运行及能量管理，并为城市基础设施规划建设等提供参考据;另一方面有利于电力系统最优潮流、电网经济调度，并对电力市场交易以及发电机组最优组合研究等有着深远的意义2。

国内外研究现状电动汽车充电负荷预测能够减小由于其充电带来的新增负荷对电网的冲击，为电网的优化运行和规划提供参考。传统的电力负荷预测方法如时间序列预测法，小波分析预测，基于混沌理论，以及神经网络等方法是依赖于大量历史数据资料及相关影响因素资料的被动型预测。然而由于电动汽车是新兴科技产业，其充电负荷数据很少，且其在时间和空间上的随机性很强，无法根据传统的负荷预测方法进行预测，因此考虑利用统计学的方法，挖掘、分析包含这些不确定性因素信息的数据，探索并总结其分布规律，提出合理的预测方法。当前在电动汽车大规模应用之后的需求规律及负荷规律研究中，可以利用的历史数据很少，各项研究大多以若干合理的假设为基础进行模拟计算。从研究进程来看，大致有二个阶段的发展:

1）以传统燃油汽车数据或者利用GPs对乘用车调查数据，综合考虑影响电动汽车充电的各个因素对电动汽车无序充电负荷进行预测，主要因素集中在电能补给方式，电池类型及其充电特性，电动汽车运行规律，电动汽车保有量等方面，通过对这些因素的分析，建立充电负荷计算模型，并根据所得负荷曲线判断其对电网的影响。

2）根据电动汽车无序充电所得到预测曲线，并针对电动汽车无序接入电网所造成的影响，提出各种有序充放电的控制策略。充放电调度控制策略是充放电控制效益实现的基础和先决条件;依照特定的策略实施充电控制，可以在限制充电负荷对电力系统负面影响的同时，发挥充电控制特定的效益。研究电网和电动汽车的互动，即电动汽车作为分布式储能单元，以充电和放电的形式参与电网的调控。通过对智能电网环境下电动汽车充放电的控制评估其所带来的影响及经济效益。

影响电动汽车充电负荷预测的因素电动汽车充电负荷预测的影响因素主要有:电动汽车的保有规模大小、电动汽车充电方式、起始荷电状态(State of Charge, SoC)、电动汽车电池的充放电特性、充电功率、充电时间(包括充电开始时间和充电结束时间)、动力电池容量等2，而天气情况、温度、日期类型以及公交调度等因素通过影响用户的行为特性而影响电动汽车充电负荷。 电动汽车充电方式主要分为充电和换电2种，充电又包括常规充电和快速充电。常规充电方式又称为普通充电，充电时间一般为5-8 h，有时甚至可以达到十几个小时。快速充电又称为应急充电，可以为电动汽车提供短时间充电服务，充电时间约为20 min到2h内。而更换电池充电方式则是通过快速更换电池组来达到充电的目的。

电动汽车负荷预测的意义2013年底，年末全国发电装机容量124738万千瓦，发电量53975.9亿kWh，私人汽车保有量10892万辆[9]。假定每辆电动汽车充电功率为4kW，若同时进行充电，则峰值总功率将达到43568万千瓦，占全国装机容量的34.9%，假设每辆车每年消耗2000kWh，则年消耗电能总计2178亿kWh，占全国发电量的4.0%。可见，随着电动汽车大规模的增长，电网负荷会急剧增长，对电网运行和制带来无法忽视的影响。电网负荷峰谷比日益增大，电网面临的调峰任务和压力日趋严峻，而电动汽车很可能成为未来电网中数量最多的一类负荷，其动态特性将对电网安全、稳定、经济、高效运行以及输配电网的建设提出了新的挑战。

随着动力储能电池技术的长足发展，电动汽车开始逐步走向实用，特别是混合动力电动汽车，己在国外实现市场化销售，被认为是中长期内最可行的新能源汽车，并将逐渐占据汽车市场的大部分份额。与此相对应的是，电动汽车充电负荷的广泛接入将对电网的运行产生较大影响:

(1)大量电动汽车接入电网会对配电网相关设备带来较大影响，接入电网后，使系统负荷水平提高，同时使得系统中线路和变压器等设备的负载增加，有可能导致设备过负荷运行，严重时甚至可能毁坏设备，同时会引发新一轮负荷增长，大量充电设施建设对电网升级改造提出更多要求，需要新增装机容量，增加电网建设投资。

(2)电动汽车用户用车行为和充电时间与空间的随机性强，使得电动汽车充电负荷具有较大的不确定性，使得电网的控制难度大大增加。若大量电动汽车选择在同一时刻充电，很可能极大增加系统最大负荷，使电网峰谷差率不断加大，规模化电动汽车充电将进一步加大电网的峰谷差率，造成发电成本高、电网运行效率低，很可能造成局部区域电能供应紧张，使当地的配电设施过载等问题，增加电网运营管理的难度。

(3)电动汽车在充电过程中，电网和电动汽车的电能交换需要经过充电桩或者充电机的整流变换，会对供电系统产生大量谐波，导致功率因素下降，影响电能质量，同时产生电压损耗和三相不平衡，使节点电压偏移较大等问题。

为了定量分析电动汽车接入电网影响进行，或进行配电网规划、定容选址、控制策略研究，都需要对电动汽车充电负荷进行预测。电动汽车充电负荷时空分布对电动汽车额定续航里程设计、充电设施规划能提供重要依据，同时根据负荷的预测曲线，也可以对电网负荷进行调度管理，减少电动汽车大规模无序充电对电网造成的冲击。准确的负荷预测对电力系统规划设计，运行管理和电力市场交易都具有重要的意义。电动汽车的无序充电的负荷预测的研究可以为电动汽车的有序充电以及对把电动汽车作为分布式能源回馈电网提供了详细信息以及参考意义，同时也对研究配网的负荷曲线，电能质量以及负荷的电压损失有着重要的意义3。

智能电网和电动汽车都是能源工业发展的重点和亮点，两者之间存在重要的联系，电动汽车作为建设坚强智能电网中重要的一环，既可以作为需求侧管理的有效手段，又可以作为储能设备在智能电网中使用，在电力需求紧张时，释放电动汽车储存电能，负荷曲线低谷期，对电动汽车进行充电，进行储能。电动汽车既可以作为智能电网中的后备电源，也可以成为调峰、调频、备用的良好手段，从而有效抑制电力波动。因此在智能电网环境下，充电负荷的计算及预测对电动汽车的有序充电以及作为储能设备对电网进行反馈有很大的利用价值，这对于扩大电力终端用电市场，促进电动汽车产业发展，降低需求侧峰谷差，提高电力供需平衡和电力设备负荷效率，具有重要的意义。

基于短期预测方法的电动汽车充电负荷预测结合电动汽车的历史充电行为数据，参考电力系统荷预测中的短期负荷预测方法，可以预测电动汽车的充电负荷需求。电力系统短期负荷预测方法可以分为基于数学工具的传统预测方法以及结合人工智能领域研究成果的现代预测方法。

传统的负荷预测方法有回归分析法、相似日法等;现代预测方法有基于神经网络的预测法、基于小波分析的预测法以及支持向量机(Support VectorMachine, SVM)预测法等2。

回归分析预测法回归分析预测法属于相关法预测，以寻找因变量和自变量之间的回归关系为基础，通过建立其函数表达式来确定模型参数，从而得到某些解释变量与负荷之间的因果关系实现负荷预测。回归分析预测法具有多种分类方式，根据自变量和因变量之间是否为线性关系，可以分为非线性和线性回归分析预测法;跟据自变量的个数可分为一元和多元回归分析预测法。

相似日预测法首先建立差异评价函数，根据评价结果，相似日预测法选取与待预测日类似的若干日期的历史负荷数据，通过对相似日的历史负荷数据进行参数修正，从而得到预测日的负荷。基于趋势相似度、聚类分析、证据理论、灰色关联等相似日样本的选取方法，可有效减小因基于人工经验选取样本所造成的预测误差。

小波分析预测法小波分析是一种信号的时间一尺度、时间一频率的分析方法，在时频两域都具有表征信号局部特征的能力，具有多分辨率分析的特点。采用小波变换的方法对负荷序列进行投影，得到具有不同尺度特征的若干序列，并对其分别建立不同的模型进行预测，最终的预测结果则是通过序列重构得到的。

人工神经网络预测法作为机器学习的重要组成部分，人工神经网络采用分布式并行信息处理方式，通过调整输入层、中间层、输出层之间的相互连接关系来适应不同系统的复杂程度，具有较好的自学习和优越的自适应能力。选取历史负荷作为训练样本，构建合适的网络结构，经过训练达到一定的精度后，可作为负荷预测模型4。

作为目前应用最广泛的神经网络模型之一，BP神经网络的学习类型为有导师学习，利用样本对网络进行学习训练，将输出误差以分摊给各层所有单元的形式，通过隐层向输入层逐层反传，学习过程是信号的正向传播、误差的反向传播。

研究了影响快换式公交车充电站负荷变化的各类相关因素;为避免基于人工经验选择相似日对预测结果造成较大的误差，采用基于传递闭包法的模糊聚类分析的方法，选择与待预测日相似日期的历史负荷样本作为神经网络的训练样本;最后建立BP网络对充电站日负荷曲线进行预测。

SV11预测法基于统计学习理论的VC维理论以及结构风险最小原理，支持向量机(CSVM)方法在提高学习泛化能力的同时，可实现置信范围以及经验风险最小化的目标。理论上解决了神经网络方法中无法得到全局最优解的缺陷和不能避免局部极值问题的劣势;同时很好地解决了维数问题，其算法复杂度与样本维数无关。 SVM的参数对其性能影响很大，传统方法通过经验或实验法选取，目前遗传算法、粒子群优化算法、微分进化等优化算法在SVM参数确定方而有较好的应用。

采用关联分析方法提取了影响电动公交站充电负荷的因素(最高温度、日类型和天气情况)，并应用灰色关联理论构建了相似日的小样本集合，从而建立支持向量机预测模型。在模型参数确定方面，首先直接确定不敏感损失参数，此时参数选取范围设置较大，再通过遗传算法寻找核参数P以及正则化参数C的最优解，从而提高预测精度。

基于蒙特卡洛模拟的电动汽车充电负荷预蒙特卡洛（-Monte Carlo)方法是一种以概率和统计理论为基础的随机模拟方法，是使用随机数(或更常见的伪随机数)来获得问题近似解的方法，它将所求问题同一定的概率模型相联系，通过计算机来实现随机抽样或统计模拟。依据全国居民出行调查的交通行为数据库，基于蒙特卡洛原理，通过模拟仿车主交通习惯(包括出行习惯和充电习惯)，建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求4。

首先对中国电动汽车不同充电模式进行了比较，并对电动汽车发展规模进行预测，通过大量调研获得不同类型电动汽车的充电方式及充电时间分布，基于蒙特卡洛原理对电动汽车的起始充电时间和荷电状态进行模拟抽取，从而得到其充电负荷的计算方法，并通过叠加得到规模化电动汽车的充电负荷。

在使用蒙特卡洛方法模拟电动汽车的驾驶、停放、充电等行为的基础上，提出了一种考虑时空分布的电动汽车充电负荷预测方法。为得到预测地区停车需求的时空分布，首先对所研究地区未来电动汽车的保有量进行预测，并以此为依据进行区域划分，最后提出了适用于不同停车特性的改进停车生成率模型。

其他电动汽车充电负荷预测方法分析电动汽车集群充电行为的特点对电动汽车充电负荷预测具有重大意义，采用动态微分方程的数学方法进行预测工作，并获得了较好的预测结果。

基于能量等效的电动汽车负荷预测方法，对目前的各加油站售油量通过能量等效法则，折算成为电动汽车充电电量，将基础充电设施分为区域分散式和集中式，从而计算得到各自的最大负荷。

目前采用蒙特卡洛模拟法进行电动汽车充电负荷预测的研究中，以传统燃油汽车的行驶规律概率特性为基础，对用户的行驶行为均采用确定的概率分布函数进行拟合，如果拟合估计不准确，会引起充电负荷的累积误差，而且不能充分表示电动汽车集群充电行为的不确定性。

了基于核密度函数改进含有耦合特性的电动汽车充电负荷计算模型。在此模型中，为了更准确地模拟电动汽车的出行驾驶规律，提出了充电概率来表征充电行为的不确定性，采用核密度函数和多维概率分布函数代替确定性的概率分布函数，并生成随机数来表征行驶规律的耦合特性4。

展望作为电力系统负荷的重要组成部分，对电动汽车充电负荷进行特征分析，并采用不同的预测方法以获得具有更高预测精度的负荷预测结果，可以提高电网调度的合理性和经济性，对电力市场交易具有重要意义。本文总结了现有的电动汽车充电负荷预测方法及其应用，在此基础上准确估计已有预测模型中的参数，并积极探索新的预测模型，是未来电动汽车充电负荷预测工作的重点所在2。