趙黃江，向 月，劉俊勇，胡 帥

（1. 四川大學(xué) 電氣工程學(xué)院，四川 成都 610065；2. 國網(wǎng)寧夏電力有限公司經(jīng)濟(jì)技術(shù)研究院，寧夏 銀川 750004）

0 引言

電動汽車的推廣應(yīng)用能夠有效緩解環(huán)境污染和燃油短缺問題。當(dāng)大規(guī)模的電動汽車接入配電網(wǎng)時，如果不能對其充電行為進(jìn)行合理有序的控制，將給電力系統(tǒng)的安全運行帶來極大的風(fēng)險［1］。研究規(guī)模化電動汽車接入對配電網(wǎng)的影響是十分必要的。

電動汽車數(shù)量的規(guī)模化增長引起的充電峰荷將給局部配電網(wǎng)的供電能力和運行安全性帶來挑戰(zhàn)［2］?？紤]到電動汽車充電過程實際上是在配電網(wǎng)和交通網(wǎng)之間的耦合行為，現(xiàn)有文獻(xiàn)大多從充電控制策略、充電行為特點等方面研究電動汽車充電管理策略和充電負(fù)荷分布［3-4］。文獻(xiàn)［5］采用能量狀態(tài)優(yōu)先隊列的電動汽車集群響應(yīng)控制策略，基于能量狀態(tài)對電動汽車進(jìn)行分群研究，從而達(dá)到上層所需控制的目標(biāo)功率值。這種多層次多目標(biāo)的控制既可以減小電網(wǎng)的運行負(fù)荷，又可以高效地緩解電動汽車充電所造成的電網(wǎng)充電高峰問題。文獻(xiàn)［6］基于集群電動汽車充電行為的可預(yù)測性，采用滾動優(yōu)化算法，對未并網(wǎng)的電動汽車負(fù)荷模型進(jìn)行實時預(yù)測，得到優(yōu)化后的實時充電功率。文獻(xiàn)［7］基于電動汽車的區(qū)域集群響應(yīng)特性，以負(fù)荷峰谷差值最小為目標(biāo)，建立電動汽車群體充電的概率分布模型，得到電動汽車的充電優(yōu)化調(diào)度方案。上述文獻(xiàn)對規(guī)?；妱悠嚨某潆娦袨檫M(jìn)行了研究，但是缺乏規(guī)?；妱悠嚱尤牒蟮挠绊懛治?。規(guī)?；妱悠嚾刖W(wǎng)充電會影響城市配電網(wǎng)運行管理。文獻(xiàn)［8］基于三相潮流模型分析不同滲透率的電動汽車接入對低壓配電系統(tǒng)的影響。文獻(xiàn)［9］分析不同滲透率的電動汽車充電負(fù)荷接入后，其隨機充電對配電網(wǎng)造成的電壓偏移、網(wǎng)絡(luò)損耗和負(fù)荷沖擊等影響。文獻(xiàn)［10］建立不同充放電模式下電動汽車的功率模型，分析電動汽車在不同接入方式下充電對配電網(wǎng)可靠性的影響。在此基礎(chǔ)上，文獻(xiàn)［11］進(jìn)一步分析了電動汽車多參數(shù)變化對配電網(wǎng)的影響，分別從電動汽車滲透率和充電模式等多方面分析了電動汽車充電負(fù)荷對配電網(wǎng)運行的影響。上述文獻(xiàn)對于規(guī)模化電動汽車與配電網(wǎng)動態(tài)交互行為分析較少，電動汽車作為配電網(wǎng)-交通網(wǎng)耦合結(jié)構(gòu)下的重要元件，用戶行駛決策行為受城市交通網(wǎng)影響較大，進(jìn)行分析時其影響應(yīng)考慮在內(nèi)。

配電網(wǎng)安全域DNSR（Distribution Network Security Region）作為分析配電網(wǎng)最大負(fù)荷能力和實際安全運行范圍的一種方法［12］，在進(jìn)行電動汽車入網(wǎng)影響分析時能夠量化不同時刻不同節(jié)點處的配電網(wǎng)運行范圍，但考慮到尚缺乏計及電動汽車接入后安全域的研究，本文提出一種適用于規(guī)?；妱悠嚾刖W(wǎng)評估的改進(jìn)安全域模型。

由此，考慮到安全域?qū)τ谙到y(tǒng)運行狀態(tài)的有效表征，本文基于配電網(wǎng)-交通網(wǎng)耦合系統(tǒng)模型，提出了計及電動汽車時空特性的“混合法”潮流可行域邊界模型來模擬規(guī)模化電動汽車的充電過程，進(jìn)而構(gòu)建了電動汽車接入配電網(wǎng)后的安全域EV-DNSR（Electric Vehicle integrated to Distribution Network Security Region）模型和電動汽車出行潛力EV-TP（Electric Vehicle Travel Potential）指標(biāo)來評估配電網(wǎng)-交通網(wǎng)耦合下規(guī)模化電動汽車入網(wǎng)的影響，通過算例仿真分析驗證了所提方法的有效性。

1 EV-DNSR潮流可行域邊界模型

1.1 基于“混合法”潮流可行域邊界計算

典型系統(tǒng)潮流模型如下［13］：

式中：X為系統(tǒng)內(nèi)各節(jié)點電壓的幅值和相角；Y為系統(tǒng)內(nèi)各節(jié)點輸入的有功功率和無功功率。

潮流可行域邊界點處，邊界條件需滿足：

式中：det表示求行列式。

式（1）和式（2）為“預(yù)測-校正”法的數(shù)學(xué)模型，可將式（2）簡化為式（3）。

式中：ω為潮流Jacobian矩陣零特征值對應(yīng)的左特征向量。

將式（1）與式（3）合并可得潮流可行域邊界面方程φ(P)= 0［14］。傳統(tǒng)“預(yù)測-校正”法和“混合法”示意圖如圖1所示。由圖1（a）可知，步長取l，在“預(yù)測”環(huán)節(jié)中，取切向量ΔP方向的下一點為P′i+1，在“校正”環(huán)節(jié)中，將平面方程(Pi-P′i+1)ΔP=τ和邊界面方程φ(P)=0 聯(lián)立求解解出交點，此交點即為邊界面上的下一點Pi+1，如此往復(fù)迭代即可求出潮流邊界面。

圖1 傳統(tǒng)“預(yù)測-校正”法和“混合法”示意圖Fig.1 Schematic diagram of traditional“predictorcorrector”method and“hybrid method”

但是“預(yù)測-校正”法在計算可行域邊界上存在維數(shù)擴大問題，并且沒有考慮系統(tǒng)內(nèi)各設(shè)備的運行約束。由此，將“校正”環(huán)節(jié)轉(zhuǎn)換為式（4）所示的低維數(shù)優(yōu)化問題［13］。

式中：S*為潮流可行域邊界外一點；S1D為系統(tǒng)各節(jié)點的有功和無功負(fù)荷；SD為根據(jù)S1D變化的線性函數(shù)，SD=G(S1D)。

用“混合法”計算可行域邊界是通過求解式（4）得到邊界面上的點Si，取邊界法向量為Si-S*，在通過該點的切平面上，由切面方程(Si-S*)TV=0 得到某個方向上的切向量V，根據(jù)S′i+1=Si+lV預(yù)測得到邊界面上的下一點S′i+1。將S′i+1作為S*代入式（4），此優(yōu)化求解問題即為對應(yīng)的“校正”環(huán)節(jié)。如此不斷迭代即可得到一段可行域邊界。圖1（b）為改進(jìn)后“混合法”的示意圖。

1.2 電動汽車入網(wǎng)潮流可行域邊界的“最遠(yuǎn)點”計算

求解“最遠(yuǎn)點”一般采用L1范數(shù)的計算方法［14］，L1范數(shù)通常用于電力系統(tǒng)的總負(fù)荷計算。在電動汽車接入配電網(wǎng)的潮流可行域中，L1范數(shù)下的“最遠(yuǎn)點”能夠表述規(guī)?；妱悠嚱尤肱潆娋W(wǎng)時的邊界點集合。結(jié)合“混合法”中的潮流可行域邊界計算，“最遠(yuǎn)點”求解問題可表示為：

式中：PEVi為第i輛電動汽車的額定充電功率；F為等式約束條件；e、f分別為節(jié)點電壓的實部和虛部；l*為引入的負(fù)荷連續(xù)參數(shù)；V、QG、VG、T和QC分別為節(jié)點電壓、發(fā)電機的無功出力、發(fā)電機電壓、有載調(diào)壓變壓器分接頭的擋位和并聯(lián)電容器組投切的無功容量；下標(biāo)min 和max 分別為對應(yīng)變量的最小值和最大值。

上述優(yōu)化問題的目標(biāo)函數(shù)在電動汽車接入配電網(wǎng)的空間中可視為超平面，n=[1，1，…，1]T為其對應(yīng)的法線方向。當(dāng)目標(biāo)函數(shù)取最大值且潮流可行域的邊界為凸時，兩者存在相切點，此點即為L1范數(shù)下的“最遠(yuǎn)點”。圖2給出了L1范數(shù)下“最遠(yuǎn)點”算法示意圖。

圖2 L1范數(shù)下潮流可行域邊界點算法示意圖Fig.2 Schematic diagram of algorithm for power flowfeasibility region boundary point under L1 definition

根據(jù)上述分析，當(dāng)電動汽車接入配電網(wǎng)時其潮流可行域邊界的“最遠(yuǎn)點”計算流程如附錄A 圖A1所示。

2 配電網(wǎng)-交通網(wǎng)耦合模型

2.1 交通網(wǎng)模型

基于復(fù)雜網(wǎng)絡(luò)理論，取實際交通網(wǎng)中的道路交叉口為節(jié)點、實際道路為邊，則交通網(wǎng)模型由式（7）表示。

式中：lij為節(jié)點i與節(jié)點j之間的道路實際長度。

2.2 配電網(wǎng)模型

取配電網(wǎng)的實際節(jié)點為網(wǎng)絡(luò)節(jié)點，用實際線路搭建配電網(wǎng)模型，則配電網(wǎng)模型由式（9）表示。

2.3 配電網(wǎng)-交通網(wǎng)耦合模型

建立配電網(wǎng)-交通網(wǎng)的兩網(wǎng)耦合模型［15］，連邊集合ζ和網(wǎng)絡(luò)層集合γ構(gòu)成該耦合系統(tǒng)模型。其中，連邊集合ζ為配電網(wǎng)和交通網(wǎng)的節(jié)點間連邊集合；網(wǎng)絡(luò)層集合γ為配電網(wǎng)和交通網(wǎng)各自的網(wǎng)絡(luò)層。本文為簡化分析過程，假設(shè)電動汽車充電站配置在道路交通網(wǎng)，通過專線或?qū)Ｗ冞B接到歸屬配電網(wǎng)節(jié)點，電動汽車可在電量不足時就近尋找充電站進(jìn)行充電，該充電站等效從配電網(wǎng)耦合節(jié)點汲取電能［16］，耦合系統(tǒng)結(jié)構(gòu)如圖3所示。其兩網(wǎng)耦合模型為：

圖3 配電網(wǎng)-交通網(wǎng)耦合結(jié)構(gòu)Fig.3 Coupled structure of distribution networktransportation network

2.4 電動汽車出行鏈模型

圖4 電動汽車出行鏈模型Fig.4 Travel chain model of electric vehicles

假定將回家（H）、上班（W）和商業(yè)區(qū)活動（S）作為出行目的，則與“H-W-S-H”出行鏈對應(yīng)的電動汽車用戶行程為：從家出發(fā)—上班—下班后商業(yè)區(qū)活動—回家。本文將居民區(qū)作為行程的始末點，且假定電動汽車用戶的日出行時刻、回家時刻均服從正態(tài)分布［17-18］。

采用Dijkstra 算法作為出行鏈節(jié)點之間的最優(yōu)路徑算法［18］。不同時刻、不同道路上的電動汽車的實際行駛時間Ta的表達(dá)式為：

式中：T0a為道路a零車流行駛時間；xa為道路a實時車流量；Ca為道路a容量；αT和βT為模型參數(shù)，本文分別取為0.15和0.4。

2.5 電動汽車充電需求的時空隨機性建模

因為電動汽車用戶的出行規(guī)律是隨機的，所以可將日出行鏈的出發(fā)時間tS視為服從正態(tài)分布，其概率密度函數(shù)如下：

式中：μS、σS分別為電動汽車用戶出發(fā)時間tS的均值和標(biāo)準(zhǔn)差。

本文設(shè)定的電動汽車充電需求為：電動汽車在日出行鏈的出行途中，當(dāng)荷電狀態(tài)（SOC）小于警戒值（SOC 最小值SSOCmin）時，選擇距離最近的充電站進(jìn)行充電；電動汽車到達(dá)日出行鏈的某個目的地，當(dāng)SOC 下降到警戒值SSOCmin之下，電動汽車選擇距離目的地最近的充電站充電［16］。

考慮到電動汽車的隨機性受時空兩維度要素的影響，本文采用蒙特卡洛法模擬得到電動汽車充電需求的時空分布特征［19］。

3 規(guī)?；妱悠嚺c配電網(wǎng)動態(tài)交互下的DNSR模型

配電網(wǎng)安全域工作點是指配電網(wǎng)安全域內(nèi)滿足N-1安全約束的點的集合［12］。利用DNSR邊界理論可計算得到滿足N-1 約束的安全邊界。安全程度的大小用工作點到安全邊界的距離來表現(xiàn)，當(dāng)運行的工作點處于邊界外時，表示配電網(wǎng)不能安全運行。通過得到的安全邊界分布可根據(jù)系統(tǒng)整體運行狀態(tài)給出評估建議。

3.1 EV-DNSR模型

將工作點定義為配電網(wǎng)正常運行時某一時刻所有節(jié)點負(fù)荷功率的向量，可將其視為負(fù)荷進(jìn)行運算。由此結(jié)合文獻(xiàn)［12］定義的配電網(wǎng)安全域模型，規(guī)?；妱悠嚱尤肱潆娋W(wǎng)后的EV-DNSR 模型具體表示如下：

式中：Wf為系統(tǒng)運行的工作點；h(Wf)、g(Wf)分別為潮流約束、安全約束；P0i為配電網(wǎng)節(jié)點i的初始功率；NEV為所有電動汽車接入節(jié)點的集合。

3.2 模型安全約束條件

1）電動汽車的充電會使接入處的配電網(wǎng)節(jié)點電壓下降，其下降程度與電動汽車的充電功率、充電位置等因素有關(guān)，充電站允許的電壓范圍約束條件為：

式中：Ui為第i座充電站的電壓；Umin、Umax分別為充電站接入配電網(wǎng)允許的電壓最小值、最大值。

2）變壓器容量約束條件為：

式中：xi(t)=0 表示第i座充電站沒有連接電動汽車或電動汽車充滿電，xi(t)=1 表示第i座充電站連接電動汽車且電動汽車未充滿電；N為充電站數(shù)量；P(t)為t時段變壓器承擔(dān)的普通負(fù)荷功率；SN、cosφN分別為變壓器額定容量、額定功率因數(shù)，cosφN取值為0.95；μ為變壓器負(fù)載率，取值范圍為35%～60%。

3）充電站充電功率變化約束條件為：

式中：Δta為相鄰2次監(jiān)測的時間段。

3.3 電動汽車出行潛力指標(biāo)

借助EV-DNSR 模型對規(guī)模化電動汽車接入后配電網(wǎng)運行狀態(tài)的評估結(jié)果，本文將不同時刻的EV-DNSR 截面面積與電動汽車接入配電網(wǎng)前的安全域平均承受能力截面面積的比值定義為電動汽車出行潛力指標(biāo)IEV-TP，從而為電動汽車用戶的出行提供指導(dǎo)。

式中：S[ΩEV-DNSR]為EV-DNSR 截面面積；S[ΩDNSR]為電動汽車接入配電網(wǎng)前的安全域平均承受能力截面面積。

圖5 為本文提出的安全評估的整體流程圖。首先基于配電網(wǎng)數(shù)據(jù)和交通網(wǎng)數(shù)據(jù)建立計及配電網(wǎng)-交通網(wǎng)耦合結(jié)構(gòu)的電動汽車出行鏈模型和電動汽車充電需求時空隨機性模型，并采用“混合法”的潮流可行域邊界模擬規(guī)?；妱悠嚨娜刖W(wǎng)過程，最后利用建立的EV-DNSR 模型和EV-TP 指標(biāo)分析規(guī)?；妱悠嚱尤雽ε潆娋W(wǎng)的影響。

圖5 安全評估整體流程圖Fig.5 Overall flowchart of safety assessment

4 算例分析

4.1 基本數(shù)據(jù)

選取某城市區(qū)域交通網(wǎng)與擴展后的IEEE 33 節(jié)點配電網(wǎng)的耦合系統(tǒng)作為算例系統(tǒng)，配電網(wǎng)節(jié)點與交通網(wǎng)節(jié)點的地理耦合關(guān)系如附錄B 表B1 所示，交通網(wǎng)結(jié)構(gòu)如附錄B圖B1所示。該區(qū)域路網(wǎng)包含26個節(jié)點和45 條道路，將其分為居民區(qū)（含節(jié)點1—17）、工作區(qū)（含節(jié)點18—22）和商業(yè)區(qū)（含節(jié)點23—26）。

算例參數(shù)說明如下。

1）假設(shè)該區(qū)域共有20 000 輛電動汽車，其中有10000輛私家車、5000輛出租車和5000輛商業(yè)用車。

2）該區(qū)域在不同時段的道路飽和度參數(shù)、各道路的長度數(shù)據(jù)、電動汽車性能參數(shù)分別如附錄B 表B2—B4 所示。初始時刻電動汽車的SOC 為剛充完電后的電量水平，其范圍為0.8～0.9［20］。

3）電動汽車出行鏈參數(shù)如附錄B 表B5 所示，出行鏈行程時間分布參考文獻(xiàn)［20］，假定電動汽車沿最優(yōu)路徑勻速行駛。

4.2 電動汽車充電負(fù)荷時空分布

選取典型工作日進(jìn)行研究，電動汽車在不同時刻的充電需求如附錄C 圖C1 所示。由圖可知，在13:00 時達(dá)到最高峰，17:00 時再次出現(xiàn)一個充電高峰時刻。

附錄C 圖C2 為考慮電動汽車充電后各分區(qū)的負(fù)荷需求。不同區(qū)域在不同時段內(nèi)有著不同的充電需求，居民區(qū)的負(fù)荷高峰集中在夜間；商業(yè)區(qū)的負(fù)荷高峰集中在營業(yè)時間；工作區(qū)的負(fù)荷高峰集中在上班時間段。

電動汽車滲透率為充電負(fù)荷和配電網(wǎng)原始負(fù)荷的峰值比，根據(jù)電動汽車充電負(fù)荷時空分布模型，求得不同電動汽車滲透率下的負(fù)荷需求，如圖6 所示。觀察可知，電動汽車充電負(fù)荷和配電網(wǎng)原始負(fù)荷早晚期間疊加形成負(fù)荷雙高峰。隨著電動汽車滲透率的提高，充電負(fù)荷峰谷差和總負(fù)荷峰谷差也隨之增大。

圖6 不同電動汽車滲透率下的負(fù)荷曲線Fig.6 Load curves umder different penetrations of electric vehicles

分析電動汽車出行鏈參數(shù)的改變對電動汽車充電負(fù)荷的影響，3 種不同運行場景下電動汽車的充電功率如圖7所示。設(shè)置如下3種不同運行場景：場景1，一天內(nèi)電動汽車出行鏈中簡單鏈和復(fù)雜鏈的比例各占50%；場景2，一天內(nèi)電動汽車出行鏈中簡單鏈和復(fù)雜鏈的比例分別為40%和60%；場景3，一天內(nèi)電動汽車出行鏈中簡單鏈和復(fù)雜鏈比例分別為30%和70%。

從圖7可以看出，3種場景下電動汽車最大充電功率分別為1.653 3 MW（20:00）、1.821 3 MW（20:00）和1.986 7 MW（20:00），一天內(nèi)總充電功率分別為11.4692、12.1961、13.0454 MW。隨著出行鏈中復(fù)雜鏈比例的增大，總充電功率也隨之增大。在14:00—23:00時段，場景2和場景3的充電需求均大于場景1，這是因為場景2和場景3中復(fù)雜鏈比例較高，其商業(yè)區(qū)活動比場景1 更為頻繁，電動汽車一天內(nèi)行駛距離更遠(yuǎn)。

圖7 不同出行鏈參數(shù)下的充電功率Fig.7 Charging power umder different travel chain parameters

4.3 電動汽車接入對DNSR的影響分析

結(jié)合規(guī)?；妱悠嚦潆娯?fù)荷的時空分布特性，測試規(guī)模化電動汽車接入配電網(wǎng)后的安全域模型，由此觀察規(guī)?；妱悠嚱尤雽ε潆娋W(wǎng)運行造成的影響，首先分析規(guī)?；妱悠嚱尤牒笈潆娋W(wǎng)的節(jié)點電壓，如附錄C 圖C3 所示。由圖C3 可知，規(guī)模化電動汽車接入后配電網(wǎng)節(jié)點電壓的最小值在節(jié)點18，其電壓由0.967 4 p.u.變?yōu)?.913 2 p.u.。配電網(wǎng)節(jié)點18與交通網(wǎng)節(jié)點18相耦合，其中交通網(wǎng)節(jié)點18 處于工作區(qū)和商業(yè)區(qū)的交匯處。配電網(wǎng)節(jié)點14、15 電壓由0.954 61 p.u.、0.956 19 p.u.分別變?yōu)?.91826 p.u.、0.91684 p.u.，配電網(wǎng)節(jié)點14、15分別與交通網(wǎng)節(jié)點15、16相耦合，其中交通網(wǎng)節(jié)點15、16處于居民區(qū)和工作區(qū)的交匯處。區(qū)域交匯處電動汽車車流量大，接入配電網(wǎng)數(shù)量較多，因此電壓波動幅度較大。規(guī)模化電動汽車接入后，關(guān)鍵節(jié)點處電壓水平下降，配電網(wǎng)電壓整體呈現(xiàn)不穩(wěn)定狀態(tài)。

取具有典型代表性的節(jié)點18 和節(jié)點24 進(jìn)行EV-DNSR 可視化觀測，分析規(guī)?；妱悠嚱尤雽ε潆娋W(wǎng)的影響。附錄C 圖C4 和圖C5 為不同觀測方向下規(guī)?；妱悠嚱尤肱潆娋W(wǎng)后安全域隨時間的變化情況。結(jié)合圖C4 和圖C5 所示的仿真結(jié)果可以看出，EV-DNSR 范圍隨著時間的不同而變化，00:00—09:00、12:00—21:00 時段的EV-DNSR 范圍逐漸增大，09:00—12:00、21:00—24:00時段EV-DNSR范圍逐漸減少。這是因為00:00—09:00、12:00—21:00 時段為電動汽車用戶上下班高峰和商業(yè)區(qū)活動時間段，09:00—12:00、21:00—24:00 時段主要為電動汽車充電時間段。由此可以看出，電動汽車用戶一天之內(nèi)出行鏈行程時間分布不同導(dǎo)致交通網(wǎng)在不同時刻的車流量也在不斷變化，交通網(wǎng)出行的改變對配電網(wǎng)實際運行結(jié)果有著顯著的影響，與電動汽車用戶的出行鏈分布密切相關(guān)。截取圖C4 中EV-DNSR 的外圍縱截面，觀察EV-DNSR 的變化趨勢。附錄C 圖C6 為所截縱截面的5 條變化軌跡，其變化趨勢與圖6 所示的負(fù)荷曲線隨時間的變化基本相同。

附錄C 圖C7（a）和圖C7（b）分別為圖C4 中EVDNSR 的最大縱截面和電動汽車接入配電網(wǎng)前安全域平均承受能力截面?？梢奅V-DNSR 的最大縱截面發(fā)生在19:00 時，結(jié)合附錄B 表B2 的道路飽和度參數(shù)，此時正值下班高峰時間，道路飽和度處于一天之內(nèi)的最大值，電動汽車接入配電網(wǎng)的數(shù)量最少，對配電網(wǎng)的影響最小，所以EV-DNSR截面最大。

通過比較圖C7（a）和圖C7（b）可知，規(guī)?；妱悠嚱尤肱潆娋W(wǎng)后安全域面積縮小，與電動汽車接入配電網(wǎng)前的安全域平均承受能力截面相比，其安全域面積縮小11%～23%。安全域邊界越靠近左側(cè)，電動汽車接入配電網(wǎng)后的潮流邊界距離將越小，其誤差范圍也將變大。隨著節(jié)點18 接入電動汽車數(shù)量的增多，在節(jié)點23 對應(yīng)的負(fù)荷值也將增大，其潮流邊界距離也將隨之增大。

分析電動汽車出行鏈參數(shù)變化對EV-DNSR 的影響，附錄C 圖C8（a）—（c）為3 種場景下EV-DNSR的最大縱截面。通過比較圖C8（a）—（c）和圖C7（b）可見，隨著出行鏈中復(fù)雜鏈比例的增大，其安全域截面面積逐漸縮小，說明電動汽車活動范圍越廣對配電網(wǎng)的影響越大，配電網(wǎng)承受能力越低。

利用EV-DNSR 推導(dǎo)得到的EV-TP 指標(biāo)，分析電動汽車用戶的出行規(guī)律，各時段EV-TP 仿真結(jié)果如附錄C 圖C9 所示。EV-TP 值在早晚時分出現(xiàn)2 次低谷，09:00 時EV-TP 值為0.216 2，19:00 時EV-TP 值為0.102 7，其他時刻的EV-TP 值見附錄C 表C1?？梢姰?dāng)電動汽車處于停車狀態(tài)時，EV-TP 值較高；當(dāng)電動汽車處于行駛狀態(tài)時，EV-TP 值較低。結(jié)合道路交通網(wǎng)特性，隨著交通網(wǎng)中車流量的增多，EV-TP 值變小，EV-DNSR 范圍變大，EV-TP 值可以反映電動汽車用戶的出行規(guī)律。由于EV-TP 指標(biāo)是由EVDNSR 推導(dǎo)而來，所以EV-DNSR 是在電動汽車和配電網(wǎng)動態(tài)交互下建立的。由此可知，在系統(tǒng)結(jié)構(gòu)滿足N-1 安全約束的配電網(wǎng)下接入規(guī)?；妱悠?，可通過調(diào)控充電位置和數(shù)量來緩解配電網(wǎng)的運行壓力。

5 結(jié)論

本文在配電網(wǎng)-交通網(wǎng)耦合結(jié)構(gòu)下研究規(guī)?；妱悠嚱尤雽ε潆娋W(wǎng)的影響，提出計及電動汽車時空特性的“混合法”潮流可行域邊界模型，構(gòu)建了EV-DNSR 模型和EV-TP 指標(biāo)，通過算例驗證了模型指標(biāo)的有效性，得到如下的結(jié)論。

1）規(guī)?；妱悠嚦潆娦袨榕c交通網(wǎng)實際運行情況息息相關(guān)，具有明顯的區(qū)域性，在道路飽和度較高的路段、電動汽車滲透率較高的情況下，或者出行鏈行為復(fù)雜時，規(guī)?；妱悠嚦潆娯?fù)荷會對配電網(wǎng)運行產(chǎn)生較大的沖擊，影響配電網(wǎng)的安全運行。

2）EV-DNSR 范圍受交通網(wǎng)中不同時刻車流量的影響，當(dāng)電動汽車出行鏈中復(fù)雜鏈比例增大時，其EV-DNSR 范圍減小。隨著交通網(wǎng)車流量的增多，EV-TP 值變小，EV-DNSR 范圍變大。通過合理分析EV-TP 指標(biāo)可引導(dǎo)電動汽車用戶出行，緩解交通系統(tǒng)擁堵，降低能源系統(tǒng)運行風(fēng)險。

考慮融合規(guī)?；妱悠嚱尤肱潆娋W(wǎng)的EVDNSR 模型可以有效反映電動汽車不確定出行與充電行為對配電網(wǎng)運行風(fēng)險的影響及配電系統(tǒng)實時安全運行狀況，在后續(xù)研究中將進(jìn)一步考慮電動汽車入網(wǎng)負(fù)荷融入實際電網(wǎng)調(diào)度系統(tǒng)安全預(yù)警模塊，其值本身也為未來集群代理商協(xié)同調(diào)控中心進(jìn)行系統(tǒng)安全域約束下的電動汽車充放電靈活需求側(cè)管理提供參考。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。